Instructions to use model-scope/glm-4-9b-chat-GPTQ-Int8 with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use model-scope/glm-4-9b-chat-GPTQ-Int8 with Transformers:

# Use a pipeline as a high-level helper
from transformers import pipeline

pipe = pipeline("text-generation", model="model-scope/glm-4-9b-chat-GPTQ-Int8", trust_remote_code=True)

# Load model directly
from transformers import AutoModel
model = AutoModel.from_pretrained("model-scope/glm-4-9b-chat-GPTQ-Int8", trust_remote_code=True, dtype="auto")

Notebooks
Google Colab
Kaggle
Local Apps

vLLM

How to use model-scope/glm-4-9b-chat-GPTQ-Int8 with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "model-scope/glm-4-9b-chat-GPTQ-Int8"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "model-scope/glm-4-9b-chat-GPTQ-Int8",
		"prompt": "Once upon a time,",
		"max_tokens": 512,
		"temperature": 0.5
	}'

Use Docker

docker model run hf.co/model-scope/glm-4-9b-chat-GPTQ-Int8

SGLang

How to use model-scope/glm-4-9b-chat-GPTQ-Int8 with SGLang:

Install from pip and serve model

# Install SGLang from pip:
pip install sglang
# Start the SGLang server:
python3 -m sglang.launch_server \
    --model-path "model-scope/glm-4-9b-chat-GPTQ-Int8" \
    --host 0.0.0.0 \
    --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "model-scope/glm-4-9b-chat-GPTQ-Int8",
		"prompt": "Once upon a time,",
		"max_tokens": 512,
		"temperature": 0.5
	}'

Use Docker images

docker run --gpus all \
    --shm-size 32g \
    -p 30000:30000 \
    -v ~/.cache/huggingface:/root/.cache/huggingface \
    --env "HF_TOKEN=<secret>" \
    --ipc=host \
    lmsysorg/sglang:latest \
    python3 -m sglang.launch_server \
        --model-path "model-scope/glm-4-9b-chat-GPTQ-Int8" \
        --host 0.0.0.0 \
        --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "model-scope/glm-4-9b-chat-GPTQ-Int8",
		"prompt": "Once upon a time,",
		"max_tokens": 512,
		"temperature": 0.5
	}'

Docker Model Runner
How to use model-scope/glm-4-9b-chat-GPTQ-Int8 with Docker Model Runner:
```
docker model run hf.co/model-scope/glm-4-9b-chat-GPTQ-Int8
```

GLM-4-9B-Chat-GPTQ-Int8-量化修复

原模型 ZhipuAI/glm-4-9b-chat

【模型更新日期】

2024-06-18

【模型大小】

11.0GB

【06-05 情况告知】

目前需要用vllm entrypoint的方式来启动模型。

【更新日志】

2004-06-18
优化模型量化损失

2004-06-05 23:50
首次commit

【介绍】

GLM-4-9B 是智谱 AI 推出的最新一代预训练模型 GLM-4 系列中的开源版本。在语义、数学、推理、代码和知识等多方面的数据集测评中，GLM-4-9B 及其人类偏好对齐的版本 GLM-4-9B-Chat 均表现出较高的性能。除了能进行多轮对话，GLM-4-9B-Chat 还具备网页浏览、代码执行、自定义工具调用（Function Call）和长文本推理（支持最大 128K 上下文）等高级功能。本代模型增加了多语言支持，支持包括日语，韩语，德语在内的 26 种语言。我们还推出了支持 1M 上下文长度（约 200 万中文字符）的模型。

更多详情...

【量化修复】

调优了现有 AWQ 与 GPTQ 量化算法的量化策略。带有量化修复标签的Int3模型，可以比肩默认AWQ与GPTQ算法的Int8模型的能力。

量化修复可以极大减少模型的1.乱吐字、2.无限循环、3.长文能力丢失等量化损失造成的模型不可用的情况。
调优后的量化模型，AWQ与GPTQ模型在能力上没有表现出明显区别。同时考虑到GPTQ的vLLM引擎的并发推理效率最好，所以不再制作AWQ模型。
待工作完成后补充...

【同期量化修复模型】

待工作完成后补充...

【模型下载】

from modelscope import snapshot_download
model_dir = snapshot_download('tclf90/模型名', cache_dir="本地路径")

【vLLM推理（目前仅限Linux）】

1. Python 简易调试

待工作完成后补充...

2. 类ChatGPT RESTFul API Server

>>> python -m vllm.entrypoints.openai.api_server --model 本地路径/tclf90/模型名称

Downloads last month: 7

Safetensors

Model size

9B params

Tensor type

I32

BF16