Compare commits
No commits in common. "refs/deployment/triton" and "main" have entirely different histories.
refs/deplo
...
main
36
.gitattributes
vendored
Normal file
36
.gitattributes
vendored
Normal file
@ -0,0 +1,36 @@
|
||||
*.7z filter=lfs diff=lfs merge=lfs -text
|
||||
*.arrow filter=lfs diff=lfs merge=lfs -text
|
||||
*.bin filter=lfs diff=lfs merge=lfs -text
|
||||
*.bz2 filter=lfs diff=lfs merge=lfs -text
|
||||
*.ckpt filter=lfs diff=lfs merge=lfs -text
|
||||
*.ftz filter=lfs diff=lfs merge=lfs -text
|
||||
*.gz filter=lfs diff=lfs merge=lfs -text
|
||||
*.h5 filter=lfs diff=lfs merge=lfs -text
|
||||
*.joblib filter=lfs diff=lfs merge=lfs -text
|
||||
*.lfs.* filter=lfs diff=lfs merge=lfs -text
|
||||
*.mlmodel filter=lfs diff=lfs merge=lfs -text
|
||||
*.model filter=lfs diff=lfs merge=lfs -text
|
||||
*.msgpack filter=lfs diff=lfs merge=lfs -text
|
||||
*.npy filter=lfs diff=lfs merge=lfs -text
|
||||
*.npz filter=lfs diff=lfs merge=lfs -text
|
||||
*.onnx filter=lfs diff=lfs merge=lfs -text
|
||||
*.ot filter=lfs diff=lfs merge=lfs -text
|
||||
*.parquet filter=lfs diff=lfs merge=lfs -text
|
||||
*.pb filter=lfs diff=lfs merge=lfs -text
|
||||
*.pickle filter=lfs diff=lfs merge=lfs -text
|
||||
*.pkl filter=lfs diff=lfs merge=lfs -text
|
||||
*.pt filter=lfs diff=lfs merge=lfs -text
|
||||
*.pth filter=lfs diff=lfs merge=lfs -text
|
||||
*.rar filter=lfs diff=lfs merge=lfs -text
|
||||
*.safetensors filter=lfs diff=lfs merge=lfs -text
|
||||
saved_model/**/* filter=lfs diff=lfs merge=lfs -text
|
||||
*.tar.* filter=lfs diff=lfs merge=lfs -text
|
||||
*.tar filter=lfs diff=lfs merge=lfs -text
|
||||
*.tflite filter=lfs diff=lfs merge=lfs -text
|
||||
*.tgz filter=lfs diff=lfs merge=lfs -text
|
||||
*.wasm filter=lfs diff=lfs merge=lfs -text
|
||||
*.xz filter=lfs diff=lfs merge=lfs -text
|
||||
*.zip filter=lfs diff=lfs merge=lfs -text
|
||||
*.zst filter=lfs diff=lfs merge=lfs -text
|
||||
*tfevents* filter=lfs diff=lfs merge=lfs -text
|
||||
Qwen3-4B-Q4_K_M.gguf filter=lfs diff=lfs merge=lfs -text
|
||||
260
1/model.py
260
1/model.py
@ -1,260 +0,0 @@
|
||||
"""
|
||||
[Transformer-LLM 백엔드 가이드]
|
||||
|
||||
본 파일은 NVIDIA Triton Server에서 Hugging Face `AutoModelForCausalLM` 기반 모델을 손쉽게 배포하기 위해 제공되는 커스텀 Python 백엔드 템플릿입니다.
|
||||
|
||||
1. 모델 호환성
|
||||
- Hugging Face의 `AutoModelForCausalLM` 클래스와 호환되는 모든 Causal Language Model을 지원합니다.
|
||||
- [확인] 배포할 모델 `config.json`의 `architectures` 항목이 `...ForCausalLM` 형식인지 확인.
|
||||
- [확인] 모델이 Hugging Face 공식 문서의 AutoModelForCausalLM이 지원하는 모델인지 확인.
|
||||
(https://huggingface.co/docs/transformers/en/model_doc/auto#transformers.AutoModelForCausalLM.from_pretrained)
|
||||
|
||||
2. 토크나이저 호환성
|
||||
- `AutoTokenizer`와 호환되는 토크나이저를 지원하며, 모델과 동일한 경로에서 자동으로 로드됩니다.
|
||||
|
||||
3. 커스터마이징 안내
|
||||
- 본 템플릿은 범용적인 사용을 위해 작성되었습니다.
|
||||
- 특정 모델의 동작 방식이나 예외 처리가 필요한 경우, 이 파일(`model.py`)과 설정 파일(`config.pbtxt`)을 직접 수정하여 사용하시기 바랍니다.
|
||||
"""
|
||||
|
||||
import json
|
||||
import torch
|
||||
import numpy as np
|
||||
import triton_python_backend_utils as pb_utils
|
||||
import uuid
|
||||
import transformers
|
||||
from typing import List, Dict, Any, Union, Tuple
|
||||
|
||||
from transformers import (
|
||||
AutoModelForCausalLM,
|
||||
AutoTokenizer,
|
||||
GenerationConfig,
|
||||
BitsAndBytesConfig,
|
||||
)
|
||||
from peft import PeftModel, PeftConfig
|
||||
|
||||
class TritonPythonModel:
|
||||
def initialize(self, args: Dict[str, str]):
|
||||
"""
|
||||
모델 초기화: 라이브러리 버전 확인 및 모델/토크나이저 로드
|
||||
"""
|
||||
self.logger = pb_utils.Logger
|
||||
self.model_config = json.loads(args["model_config"])
|
||||
self.model_name = args["model_name"]
|
||||
|
||||
# 1. 라이브러리 버전 로그 추가
|
||||
# GGUF 로드를 위해서는 최소 4.40.0 이상을 권장합니다.
|
||||
transformers_version = transformers.__version__
|
||||
self.logger.log_info(f"================ {self.model_name} Setup ================")
|
||||
self.logger.log_info(f"Transformers Version: {transformers_version}")
|
||||
self.logger.log_info(f"Torch Version: {torch.__version__}")
|
||||
|
||||
# 설정 파라미터 로드
|
||||
self.base_model_path = self._get_config_param("base_model_path")
|
||||
self.gguf_filename = self._get_config_param("gguf_filename")
|
||||
self.device = "cuda" if torch.cuda.is_available() else "cpu"
|
||||
|
||||
self.logger.log_info(f"Base Model Path: {self.base_model_path}")
|
||||
self.logger.log_info(f"GGUF Filename: {self.gguf_filename}")
|
||||
self.logger.log_info(f"Device: {self.device}")
|
||||
|
||||
# 2. 모델 및 토크나이저 로드 실행
|
||||
self._load_model_and_tokenizer()
|
||||
self.logger.log_info(f"Model initialized successfully.")
|
||||
|
||||
def _load_model_and_tokenizer(self):
|
||||
"""
|
||||
config.pbtxt의 파라미터를 사용하여 GGUF 모델을 로드합니다.
|
||||
Transformers 라이브러리가 GGUF를 읽어 fp16으로 역양자화합니다.
|
||||
"""
|
||||
# 1. config.pbtxt에서 설정값 읽기
|
||||
load_path = self.base_model_path # /cheetah/input/model/groupuser/Qwen3-4B-Instruct-2507-mahjong-alpha
|
||||
gguf_file = self._get_config_param("gguf_filename") # Qwen3-4B-Instruct-2507-mahjong-alpha.gguf
|
||||
|
||||
self.logger.log_info(f"Loading GGUF from: {load_path}/{gguf_file}")
|
||||
|
||||
try:
|
||||
# 2. Tokenizer 로드 (GGUF 파일 내의 토크나이저 메타데이터 참조)
|
||||
self.tokenizer = AutoTokenizer.from_pretrained(
|
||||
load_path,
|
||||
gguf_file=gguf_file,
|
||||
trust_remote_code=True
|
||||
)
|
||||
|
||||
# 3. Model 로드 (GGUF -> PyTorch fp16 변환)
|
||||
# 주의: GGUF 로드 시 bnb_config(int4/8)와 중복 사용은 불가능할 수 있습니다.
|
||||
self.model = AutoModelForCausalLM.from_pretrained(
|
||||
load_path,
|
||||
gguf_file=gguf_file,
|
||||
torch_dtype=torch.float16,
|
||||
device_map="auto",
|
||||
local_files_only=True,
|
||||
trust_remote_code=True
|
||||
)
|
||||
|
||||
self.model.eval()
|
||||
|
||||
# 패딩 토큰 설정
|
||||
if self.tokenizer.pad_token is None:
|
||||
self.tokenizer.pad_token = self.tokenizer.eos_token
|
||||
self.tokenizer.pad_token_id = self.tokenizer.eos_token_id
|
||||
|
||||
self.supports_chat_template = (
|
||||
hasattr(self.tokenizer, "chat_template") and
|
||||
self.tokenizer.chat_template is not None
|
||||
)
|
||||
|
||||
self.logger.log_info("GGUF Model and Tokenizer loaded successfully via Transformers.")
|
||||
|
||||
except Exception as e:
|
||||
self.logger.log_error(f"Failed to load GGUF model: {e}")
|
||||
raise e
|
||||
|
||||
def _get_bnb_config(self) -> Union[BitsAndBytesConfig, None]:
|
||||
if self.quantization == "int4":
|
||||
return BitsAndBytesConfig(
|
||||
load_in_4bit=True,
|
||||
bnb_4bit_use_double_quant=True,
|
||||
bnb_4bit_quant_type="nf4",
|
||||
bnb_4bit_compute_dtype=torch.float16
|
||||
)
|
||||
elif self.quantization == "int8":
|
||||
return BitsAndBytesConfig(
|
||||
load_in_8bit=True,
|
||||
llm_int8_threshold=6.0,
|
||||
llm_int8_has_fp16_weight=True
|
||||
)
|
||||
return None
|
||||
|
||||
def execute(self, requests):
|
||||
"""Triton Inference Request 처리 메인 루프"""
|
||||
responses = []
|
||||
|
||||
for request in requests:
|
||||
# [ID 생성 로직] - 로그 추적용으로 유지 (Response에는 포함 X)
|
||||
request_id = request.request_id()
|
||||
if not request_id:
|
||||
request_id = str(uuid.uuid4())
|
||||
|
||||
try:
|
||||
# 1. 입력 데이터 파싱
|
||||
input_data, is_chat = self._parse_input(request)
|
||||
|
||||
# [LOGGING] Request ID 포함하여 로그 출력
|
||||
log_input_str = json.dumps(input_data, ensure_ascii=False) if isinstance(input_data, (list, dict)) else str(input_data)
|
||||
self.logger.log_info(f"\n[RID: {request_id}] >>> [{'CHAT' if is_chat else 'TEXT'}][Input]: {log_input_str}")
|
||||
|
||||
# 2. Generation Config 생성
|
||||
gen_config = self._create_generation_config(request)
|
||||
|
||||
# 3. 토크나이징
|
||||
inputs = self._tokenize(input_data, is_chat)
|
||||
|
||||
# 4. 모델 추론 (Generate)
|
||||
output_text = self._generate(inputs, gen_config)
|
||||
|
||||
# [LOGGING] Request ID 포함하여 결과 출력
|
||||
self.logger.log_info(f"\n[RID: {request_id}] <<< [Output]: {output_text}")
|
||||
|
||||
# 5. 응답 생성
|
||||
responses.append(self._create_response(output_text, request_id))
|
||||
|
||||
except Exception as e:
|
||||
self.logger.log_error(f"[RID: {request_id}] Error during execution: {e}")
|
||||
err_tensor = pb_utils.Tensor("text_output", np.array([str(e).encode('utf-8')], dtype=np.bytes_))
|
||||
responses.append(pb_utils.InferenceResponse(output_tensors=[err_tensor]))
|
||||
|
||||
return responses
|
||||
|
||||
def _parse_input(self, request) -> Tuple[Union[str, List[Dict]], bool]:
|
||||
input_text = self._get_input_scalar(request, "text_input")
|
||||
try:
|
||||
conversation = json.loads(input_text)
|
||||
if isinstance(conversation, list):
|
||||
return conversation, True
|
||||
except (json.JSONDecodeError, TypeError):
|
||||
pass
|
||||
return input_text, False
|
||||
|
||||
def _tokenize(self, input_data, is_chat: bool):
|
||||
if self.supports_chat_template and is_chat:
|
||||
return self.tokenizer.apply_chat_template(
|
||||
input_data,
|
||||
tokenize=True,
|
||||
add_generation_prompt=True,
|
||||
return_tensors="pt",
|
||||
return_dict=True
|
||||
).to(self.device)
|
||||
else:
|
||||
if is_chat:
|
||||
input_data = str(input_data)
|
||||
return self.tokenizer(input_data, return_tensors="pt").to(self.device)
|
||||
|
||||
def _generate(self, inputs, gen_config: GenerationConfig) -> str:
|
||||
input_ids = inputs["input_ids"]
|
||||
input_len = input_ids.shape[-1]
|
||||
|
||||
with torch.no_grad():
|
||||
outputs = self.model.generate(
|
||||
**inputs,
|
||||
generation_config=gen_config,
|
||||
pad_token_id=self.tokenizer.pad_token_id,
|
||||
eos_token_id=self.tokenizer.eos_token_id
|
||||
)
|
||||
|
||||
generated_tokens = outputs[0][input_len:]
|
||||
decoded_output = self.tokenizer.decode(generated_tokens, skip_special_tokens=True)
|
||||
return decoded_output.strip()
|
||||
|
||||
def _create_generation_config(self, request) -> GenerationConfig:
|
||||
def get_param(name, default=None, cast_type=None):
|
||||
val = self._get_input_scalar(request, name, default)
|
||||
if val is not None and cast_type:
|
||||
return cast_type(val)
|
||||
return val
|
||||
|
||||
return GenerationConfig(
|
||||
max_length=get_param("max_length", 1024, int),
|
||||
max_new_tokens=get_param("max_new_tokens", 256, int),
|
||||
temperature=get_param("temperature", 1.0, float),
|
||||
do_sample=get_param("do_sample", False, bool),
|
||||
top_k=get_param("top_k", 50, int),
|
||||
top_p=get_param("top_p", 1.0, float),
|
||||
repetition_penalty=get_param("repetition_penalty", 1.0, float),
|
||||
)
|
||||
|
||||
def _create_response(self, output_text: str, request_id: str):
|
||||
"""생성된 텍스트를 Triton Response 객체로 변환"""
|
||||
output_tensor = pb_utils.Tensor(
|
||||
"text_output",
|
||||
np.array([output_text.encode('utf-8')], dtype=np.bytes_)
|
||||
)
|
||||
return pb_utils.InferenceResponse(output_tensors=[output_tensor])
|
||||
|
||||
def _get_config_param(self, key: str, default: str = None) -> str:
|
||||
params = self.model_config.get('parameters', {})
|
||||
if key in params:
|
||||
return params[key].get('string_value', default)
|
||||
return default
|
||||
|
||||
def _get_input_scalar(self, request, name: str, default=None):
|
||||
tensor = pb_utils.get_input_tensor_by_name(request, name)
|
||||
if tensor is None:
|
||||
return default
|
||||
return self._np_decoder(tensor.as_numpy()[0])
|
||||
|
||||
def _np_decoder(self, obj):
|
||||
if isinstance(obj, bytes):
|
||||
return obj.decode('utf-8')
|
||||
if np.issubdtype(obj, np.integer):
|
||||
return int(obj)
|
||||
if np.issubdtype(obj, np.floating):
|
||||
return round(float(obj), 3)
|
||||
if isinstance(obj, np.bool_):
|
||||
return bool(obj)
|
||||
|
||||
def finalize(self):
|
||||
self.logger.log_info(f"Finalizing model {self.model_name}")
|
||||
self.model = None
|
||||
self.tokenizer = None
|
||||
torch.cuda.empty_cache()
|
||||
BIN
Qwen3-4B-Q4_K_M.gguf
(Stored with Git LFS)
Normal file
BIN
Qwen3-4B-Q4_K_M.gguf
(Stored with Git LFS)
Normal file
Binary file not shown.
35
README.md
Normal file
35
README.md
Normal file
@ -0,0 +1,35 @@
|
||||
---
|
||||
license: apache-2.0
|
||||
inference: false
|
||||
base_model: Qwen/Qwen3-4B-Instruct
|
||||
base_model_relation: quantized
|
||||
tags: [green, llmware-chat, p4, gguf,emerald]
|
||||
---
|
||||
|
||||
# qwen3-4b-instruct-gguf
|
||||
|
||||
**qwen3-4b-instruct-gguf** is a GGUF Q4_K_M int4 quantized version of [Qwen3-4B-Instruct](https://www.huggingface.co/Qwen/Qwen3-4B-Instruct), providing a very fast inference implementation, optimized for AI PCs.
|
||||
|
||||
This is from the latest release series from Qwen, and has 'thinking' capability expressed as 'think' tokens.
|
||||
|
||||
This model will run on an AI PC with at least 16 GB of memory.
|
||||
|
||||
### Model Description
|
||||
|
||||
- **Developed by:** Qwen
|
||||
- **Model type:** qwen3
|
||||
- **Parameters:** 4 billion
|
||||
- **Model Parent:** Qwen/Qwen3-4B-Instruct
|
||||
- **Language(s) (NLP):** English
|
||||
- **License:** Apache 2.0
|
||||
- **Uses:** Chat, general-purpose LLM
|
||||
- **Quantization:** int4
|
||||
|
||||
|
||||
## Model Card Contact
|
||||
|
||||
[llmware on github](https://www.github.com/llmware-ai/llmware)
|
||||
|
||||
[llmware on hf](https://www.huggingface.co/llmware)
|
||||
|
||||
[llmware website](https://www.llmware.ai)
|
||||
30
config.json
Normal file
30
config.json
Normal file
@ -0,0 +1,30 @@
|
||||
{
|
||||
"architectures": [
|
||||
"Qwen3ForCausalLM"
|
||||
],
|
||||
"attention_bias": false,
|
||||
"attention_dropout": 0.0,
|
||||
"bos_token_id": 151643,
|
||||
"eos_token_id": 151645,
|
||||
"head_dim": 128,
|
||||
"hidden_act": "silu",
|
||||
"hidden_size": 2560,
|
||||
"initializer_range": 0.02,
|
||||
"intermediate_size": 9728,
|
||||
"max_position_embeddings": 40960,
|
||||
"max_window_layers": 36,
|
||||
"model_type": "qwen3",
|
||||
"num_attention_heads": 32,
|
||||
"num_hidden_layers": 36,
|
||||
"num_key_value_heads": 8,
|
||||
"rms_norm_eps": 1e-06,
|
||||
"rope_scaling": null,
|
||||
"rope_theta": 1000000,
|
||||
"sliding_window": null,
|
||||
"tie_word_embeddings": true,
|
||||
"torch_dtype": "bfloat16",
|
||||
"transformers_version": "4.51.0",
|
||||
"use_cache": true,
|
||||
"use_sliding_window": false,
|
||||
"vocab_size": 151936
|
||||
}
|
||||
135
config.pbtxt
135
config.pbtxt
@ -1,135 +0,0 @@
|
||||
# Triton Backend for TransformerLLM.
|
||||
backend: "python"
|
||||
max_batch_size: 0
|
||||
|
||||
# Triton should expect as input a single string
|
||||
# input of variable length named 'text_input'
|
||||
input [
|
||||
|
||||
{
|
||||
name: "text_input"
|
||||
data_type: TYPE_STRING
|
||||
dims: [ 1 ]
|
||||
|
||||
|
||||
},
|
||||
{
|
||||
name: "max_length"
|
||||
data_type: TYPE_INT32
|
||||
dims: [ 1 ]
|
||||
|
||||
optional: true
|
||||
|
||||
|
||||
},
|
||||
{
|
||||
name: "max_new_tokens"
|
||||
data_type: TYPE_INT32
|
||||
dims: [ 1 ]
|
||||
|
||||
optional: true
|
||||
|
||||
|
||||
},
|
||||
{
|
||||
name: "do_sample"
|
||||
data_type: TYPE_BOOL
|
||||
dims: [ 1 ]
|
||||
|
||||
optional: true
|
||||
|
||||
|
||||
},
|
||||
{
|
||||
name: "top_k"
|
||||
data_type: TYPE_INT32
|
||||
dims: [ 1 ]
|
||||
|
||||
optional: true
|
||||
|
||||
|
||||
},
|
||||
{
|
||||
name: "top_p"
|
||||
data_type: TYPE_FP32
|
||||
dims: [ 1 ]
|
||||
|
||||
optional: true
|
||||
|
||||
|
||||
},
|
||||
{
|
||||
name: "temperature"
|
||||
data_type: TYPE_FP32
|
||||
dims: [ 1 ]
|
||||
|
||||
optional: true
|
||||
|
||||
|
||||
},
|
||||
{
|
||||
name: "repetition_penalty"
|
||||
data_type: TYPE_FP32
|
||||
dims: [ 1 ]
|
||||
|
||||
optional: true
|
||||
|
||||
|
||||
},
|
||||
{
|
||||
name: "stream"
|
||||
data_type: TYPE_BOOL
|
||||
dims: [ 1 ]
|
||||
|
||||
optional: true
|
||||
|
||||
|
||||
}
|
||||
|
||||
]
|
||||
|
||||
|
||||
# Triton should expect to respond with a single string
|
||||
# output of variable length named 'text_output'
|
||||
output [
|
||||
|
||||
{
|
||||
name: "text_output"
|
||||
data_type: TYPE_STRING
|
||||
dims: [ 1 ]
|
||||
|
||||
}
|
||||
|
||||
]
|
||||
|
||||
parameters: [
|
||||
{
|
||||
key: "base_model_path",
|
||||
value: {string_value: "/cheetah/input/model/groupuser/qwen3-4b-instruct-gguf"}
|
||||
},
|
||||
{
|
||||
key: "gguf_filename",
|
||||
value: {string_value: "Qwen3-4B-Q4_K_M.gguf"}
|
||||
},
|
||||
{
|
||||
key: "is_adapter_model",
|
||||
value: {string_value: "false"}
|
||||
},
|
||||
{
|
||||
key: "adapter_model_path",
|
||||
value: {string_value: ""}
|
||||
},
|
||||
|
||||
{
|
||||
key: "quantization",
|
||||
value: {string_value: "none"}
|
||||
}
|
||||
]
|
||||
|
||||
instance_group [
|
||||
{
|
||||
kind: KIND_AUTO
|
||||
count: 1
|
||||
}
|
||||
]
|
||||
|
||||
4
hash_record_sha256.json
Normal file
4
hash_record_sha256.json
Normal file
@ -0,0 +1,4 @@
|
||||
{
|
||||
"Qwen3-4B-Q4_K_M.gguf": "7485fe6f11af29433bc51cab58009521f205840f5b4ae3a32fa7f92e8534fdf5",
|
||||
"time_stamp": "2025-07-05_070138"
|
||||
}
|
||||
Loading…
Reference in New Issue
Block a user