FBGEMM

FBGEMM (Facebook GEneral Matrix Multiplication) é uma biblioteca de multiplicação de matrizes de baixa precisão para tamanhos de lote pequenos, com suporte a técnicas que minimizam a perda de precisão, como quantização por linha e quantização com consciência de outliers. Com o FBGEMM, quantize os pesos de um modelo para 8 bits/canal e as ativações para 8 bits/tóquio (também conhecido como fp8 ou w8a8).

Você precisa de uma GPU com capacidade de computação 9+, como uma H100.

Instale o pacote FBGEMM_GPU com o comando abaixo para garantir que você tem a versão mais recente.

pip install --upgrade accelerate fbgemm-gpu torch

Se você estiver enfrentando problemas de instalação, tente instalar a versão noturna.

Crie um FbgemmFp8Config e passe-o para from_pretrained() para quantizar um modelo para fp8.

from transformers import FbgemmFp8Config, AutoModelForCausalLM

quantization_config = FbgemmFp8Config()
quantized_model = AutoModelForCausalLM.from_pretrained(
    "meta-llama/Meta-Llama-3-8B",
    dtype="auto",
    device_map="auto",
    quantization_config=quantization_config
)

save_pretrained() e from_pretrained() permitem salvar e carregar um modelo quantizado.

quant_path = "/path/to/save/quantized/model"
quantized_model.save_pretrained(quant_path)
model = AutoModelForCausalLM.from_pretrained(quant_path, device_map="auto")

Recursos

Leia o post no blog Open-sourcing FBGEMM for state-of-the-art server-side inference para mais detalhes sobre o FBGEMM.