/home/cfruan/.conda/envs/mlc-source-311/bin/python -m mlc_chat gen_config /models/gemma-2b-it --quantization q0f16 --conv-template gemma_instruction --output /tmp/tmp5z9hcfjh --context-window-size 8192 --prefill-chunk-size 1024
[2024-02-21 21:55:25] INFO auto_config.py:115: Found model configuration: /models/gemma-2b-it/config.json
[2024-02-21 21:55:25] INFO auto_config.py:153: Found model type: gemma. Use `--model-type` to override.
[2024-02-21 21:55:25] INFO gemma_model.py:55: context_window_size not found in config.json. Falling back to max_position_embeddings (8192)
[2024-02-21 21:55:25] INFO gemma_model.py:70: prefill_chunk_size defaults to context_window_size (8192)
[2024-02-21 21:55:25] INFO config.py:106: Overriding context_window_size from 8192 to 8192
[2024-02-21 21:55:25] INFO config.py:106: Overriding prefill_chunk_size from 8192 to 1024
[2024-02-21 21:55:25] INFO config.py:106: Overriding max_batch_size from 1 to 80
[2024-02-21 21:55:25] INFO gen_config.py:121: [generation_config.json] Setting bos_token_id: 2
[2024-02-21 21:55:25] INFO gen_config.py:121: [generation_config.json] Setting eos_token_id: 1
[2024-02-21 21:55:25] INFO gen_config.py:121: [generation_config.json] Setting pad_token_id: 0
[2024-02-21 21:55:25] INFO gen_config.py:133: Found tokenizer config: /models/gemma-2b-it/tokenizer.model. Copying to /tmp/tmp5z9hcfjh/tokenizer.model
[2024-02-21 21:55:25] INFO gen_config.py:133: Found tokenizer config: /models/gemma-2b-it/tokenizer.json. Copying to /tmp/tmp5z9hcfjh/tokenizer.json
[2024-02-21 21:55:25] INFO gen_config.py:135: Not found tokenizer config: /models/gemma-2b-it/vocab.json
[2024-02-21 21:55:25] INFO gen_config.py:135: Not found tokenizer config: /models/gemma-2b-it/merges.txt
[2024-02-21 21:55:25] INFO gen_config.py:135: Not found tokenizer config: /models/gemma-2b-it/added_tokens.json
[2024-02-21 21:55:25] INFO gen_config.py:133: Found tokenizer config: /models/gemma-2b-it/tokenizer_config.json. Copying to /tmp/tmp5z9hcfjh/tokenizer_config.json
[2024-02-21 21:55:25] INFO gen_config.py:74: [System default] Setting temperature: 0.7
[2024-02-21 21:55:25] INFO gen_config.py:74: [System default] Setting presence_penalty: 0.0
[2024-02-21 21:55:25] INFO gen_config.py:74: [System default] Setting frequency_penalty: 0.0
[2024-02-21 21:55:25] INFO gen_config.py:74: [System default] Setting repetition_penalty: 1.0
[2024-02-21 21:55:25] INFO gen_config.py:74: [System default] Setting top_p: 0.95
[2024-02-21 21:55:25] INFO gen_config.py:74: [System default] Setting mean_gen_len: 128
[2024-02-21 21:55:25] INFO gen_config.py:74: [System default] Setting max_gen_len: 512
[2024-02-21 21:55:25] INFO gen_config.py:74: [System default] Setting shift_fill_factor: 0.3
[2024-02-21 21:55:25] INFO gen_config.py:186: Dumping configuration file to: /tmp/tmp5z9hcfjh/mlc-chat-config.json
/home/cfruan/.conda/envs/mlc-source-311/bin/python -m mlc_chat convert_weight /models/gemma-2b-it --quantization q0f16 --source-format auto --output /tmp/tmp5z9hcfjh
[2024-02-21 21:55:27] INFO auto_config.py:115: Found model configuration: /models/gemma-2b-it/config.json
[2024-02-21 21:55:29] INFO auto_device.py:76: Found device: cuda:0
[2024-02-21 21:55:29] INFO auto_device.py:76: Found device: cuda:1
[2024-02-21 21:55:30] INFO auto_device.py:85: Not found device: rocm:0
[2024-02-21 21:55:31] INFO auto_device.py:85: Not found device: metal:0
[2024-02-21 21:55:41] INFO auto_device.py:76: Found device: vulkan:0
[2024-02-21 21:55:41] INFO auto_device.py:76: Found device: vulkan:1
[2024-02-21 21:55:41] INFO auto_device.py:76: Found device: vulkan:2
[2024-02-21 21:55:42] INFO auto_device.py:85: Not found device: opencl:0
[2024-02-21 21:55:42] INFO auto_device.py:33: Using device: cuda:0
[2024-02-21 21:55:42] INFO auto_weight.py:70: Finding weights in: /models/gemma-2b-it
[2024-02-21 21:55:42] INFO auto_weight.py:136: Not found Huggingface PyTorch
[2024-02-21 21:55:42] INFO auto_weight.py:143: Found source weight format: huggingface-safetensor. Source configuration: /models/gemma-2b-it/model.safetensors.index.json
[2024-02-21 21:55:42] INFO auto_weight.py:106: Using source weight configuration: /models/gemma-2b-it/model.safetensors.index.json. Use `--source` to override.
[2024-02-21 21:55:42] INFO auto_weight.py:110: Using source weight format: huggingface-safetensor. Use `--source-format` to override.
[2024-02-21 21:55:42] INFO auto_config.py:153: Found model type: gemma. Use `--model-type` to override.
[2024-02-21 21:55:42] INFO gemma_model.py:55: context_window_size not found in config.json. Falling back to max_position_embeddings (8192)
[2024-02-21 21:55:42] INFO gemma_model.py:70: prefill_chunk_size defaults to context_window_size (8192)
Weight conversion with arguments:
  --config          /models/gemma-2b-it/config.json
  --quantization    NoQuantize(name='q0f16', kind='no-quant', model_dtype='float16')
  --model-type      gemma
  --device          cuda:0
  --source          /models/gemma-2b-it/model.safetensors.index.json
  --source-format   huggingface-safetensor
  --output          /tmp/tmp5z9hcfjh

  0%|                                                                                                                                                                                                                                                                  | 0/110 [00:00<?, ?it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:55:43] INFO huggingface_loader.py:182: Loading HF parameters from: /models/gemma-2b-it/model-00001-of-00002.safetensors

  0%|                                                                                                                                                                                                                                                                  | 0/110 [00:00<?, ?it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:00] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.embed_tokens.weight", shape: (256000, 2048), dtype: float16

  0%|                                                                                                                                                                                                                                                                  | 0/110 [00:16<?, ?it/s]
  1%|██▎                                                                                                                                                                                                                                                       | 1/110 [00:17<31:55, 17.57s/it]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:01] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.0.input_layernorm.weight", shape: (2048,), dtype: float16

  1%|██▎                                                                                                                                                                                                                                                       | 1/110 [00:17<31:55, 17.57s/it]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:01] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.0.mlp.down_proj.weight", shape: (2048, 16384), dtype: float16

  1%|██▎                                                                                                                                                                                                                                                       | 1/110 [00:17<31:55, 17.57s/it]
  3%|██████▊                                                                                                                                                                                                                                                   | 3/110 [00:17<08:15,  4.63s/it]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:01] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.0.mlp.gate_up_proj.weight", shape: (32768, 2048), dtype: float16

  3%|██████▊                                                                                                                                                                                                                                                   | 3/110 [00:18<08:15,  4.63s/it]
  4%|█████████                                                                                                                                                                                                                                                 | 4/110 [00:18<05:38,  3.20s/it]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:01] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.0.post_attention_layernorm.weight", shape: (2048,), dtype: float16

  4%|█████████                                                                                                                                                                                                                                                 | 4/110 [00:18<05:38,  3.20s/it]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:01] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.0.self_attn.qkv_proj.weight", shape: (2560, 2048), dtype: float16

  4%|█████████                                                                                                                                                                                                                                                 | 4/110 [00:18<05:38,  3.20s/it]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:01] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.0.self_attn.o_proj.weight", shape: (2048, 2048), dtype: float16

  4%|█████████                                                                                                                                                                                                                                                 | 4/110 [00:18<05:38,  3.20s/it]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:01] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.1.input_layernorm.weight", shape: (2048,), dtype: float16

  4%|█████████                                                                                                                                                                                                                                                 | 4/110 [00:18<05:38,  3.20s/it]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:01] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.1.mlp.down_proj.weight", shape: (2048, 16384), dtype: float16

  4%|█████████                                                                                                                                                                                                                                                 | 4/110 [00:18<05:38,  3.20s/it]
  8%|████████████████████▍                                                                                                                                                                                                                                     | 9/110 [00:18<01:36,  1.04it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:02] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.1.mlp.gate_up_proj.weight", shape: (32768, 2048), dtype: float16

  8%|████████████████████▍                                                                                                                                                                                                                                     | 9/110 [00:18<01:36,  1.04it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:02] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.1.post_attention_layernorm.weight", shape: (2048,), dtype: float16

  8%|████████████████████▍                                                                                                                                                                                                                                     | 9/110 [00:19<01:36,  1.04it/s]
 10%|████████████████████████▉                                                                                                                                                                                                                                | 11/110 [00:19<01:14,  1.33it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:02] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.1.self_attn.qkv_proj.weight", shape: (2560, 2048), dtype: float16

 10%|████████████████████████▉                                                                                                                                                                                                                                | 11/110 [00:19<01:14,  1.33it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:02] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.1.self_attn.o_proj.weight", shape: (2048, 2048), dtype: float16

 10%|████████████████████████▉                                                                                                                                                                                                                                | 11/110 [00:19<01:14,  1.33it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:02] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.10.input_layernorm.weight", shape: (2048,), dtype: float16

 10%|████████████████████████▉                                                                                                                                                                                                                                | 11/110 [00:19<01:14,  1.33it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:02] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.10.mlp.down_proj.weight", shape: (2048, 16384), dtype: float16

 10%|████████████████████████▉                                                                                                                                                                                                                                | 11/110 [00:19<01:14,  1.33it/s]
 14%|█████████████████████████████████▉                                                                                                                                                                                                                       | 15/110 [00:19<00:41,  2.27it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:03] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.10.mlp.gate_up_proj.weight", shape: (32768, 2048), dtype: float16

 14%|█████████████████████████████████▉                                                                                                                                                                                                                       | 15/110 [00:19<00:41,  2.27it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:03] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.10.post_attention_layernorm.weight", shape: (2048,), dtype: float16

 14%|█████████████████████████████████▉                                                                                                                                                                                                                       | 15/110 [00:19<00:41,  2.27it/s]
 15%|██████████████████████████████████████▍                                                                                                                                                                                                                  | 17/110 [00:19<00:36,  2.55it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:03] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.10.self_attn.qkv_proj.weight", shape: (2560, 2048), dtype: float16

 15%|██████████████████████████████████████▍                                                                                                                                                                                                                  | 17/110 [00:19<00:36,  2.55it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:03] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.10.self_attn.o_proj.weight", shape: (2048, 2048), dtype: float16

 15%|██████████████████████████████████████▍                                                                                                                                                                                                                  | 17/110 [00:19<00:36,  2.55it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:03] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.11.input_layernorm.weight", shape: (2048,), dtype: float16

 15%|██████████████████████████████████████▍                                                                                                                                                                                                                  | 17/110 [00:19<00:36,  2.55it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:03] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.11.mlp.down_proj.weight", shape: (2048, 16384), dtype: float16

 15%|██████████████████████████████████████▍                                                                                                                                                                                                                  | 17/110 [00:19<00:36,  2.55it/s]
 19%|███████████████████████████████████████████████▌                                                                                                                                                                                                         | 21/110 [00:20<00:22,  3.89it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:03] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.11.mlp.gate_up_proj.weight", shape: (32768, 2048), dtype: float16

 19%|███████████████████████████████████████████████▌                                                                                                                                                                                                         | 21/110 [00:20<00:22,  3.89it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:03] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.11.post_attention_layernorm.weight", shape: (2048,), dtype: float16

 19%|███████████████████████████████████████████████▌                                                                                                                                                                                                         | 21/110 [00:20<00:22,  3.89it/s]
 21%|████████████████████████████████████████████████████                                                                                                                                                                                                     | 23/110 [00:20<00:22,  3.94it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:04] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.11.self_attn.qkv_proj.weight", shape: (2560, 2048), dtype: float16

 21%|████████████████████████████████████████████████████                                                                                                                                                                                                     | 23/110 [00:20<00:22,  3.94it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:04] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.11.self_attn.o_proj.weight", shape: (2048, 2048), dtype: float16

 21%|████████████████████████████████████████████████████                                                                                                                                                                                                     | 23/110 [00:20<00:22,  3.94it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:04] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.12.input_layernorm.weight", shape: (2048,), dtype: float16

 21%|████████████████████████████████████████████████████                                                                                                                                                                                                     | 23/110 [00:20<00:22,  3.94it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:04] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.12.mlp.down_proj.weight", shape: (2048, 16384), dtype: float16

 21%|████████████████████████████████████████████████████                                                                                                                                                                                                     | 23/110 [00:20<00:22,  3.94it/s]
 25%|█████████████████████████████████████████████████████████████                                                                                                                                                                                            | 27/110 [00:20<00:14,  5.58it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:04] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.12.mlp.gate_up_proj.weight", shape: (32768, 2048), dtype: float16

 25%|█████████████████████████████████████████████████████████████                                                                                                                                                                                            | 27/110 [00:21<00:14,  5.58it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:04] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.12.post_attention_layernorm.weight", shape: (2048,), dtype: float16

 25%|█████████████████████████████████████████████████████████████                                                                                                                                                                                            | 27/110 [00:21<00:14,  5.58it/s]
 26%|█████████████████████████████████████████████████████████████████▋                                                                                                                                                                                       | 29/110 [00:21<00:15,  5.19it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:04] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.12.self_attn.qkv_proj.weight", shape: (2560, 2048), dtype: float16

 26%|█████████████████████████████████████████████████████████████████▋                                                                                                                                                                                       | 29/110 [00:21<00:15,  5.19it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:04] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.12.self_attn.o_proj.weight", shape: (2048, 2048), dtype: float16

 26%|█████████████████████████████████████████████████████████████████▋                                                                                                                                                                                       | 29/110 [00:21<00:15,  5.19it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:04] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.13.input_layernorm.weight", shape: (2048,), dtype: float16

 26%|█████████████████████████████████████████████████████████████████▋                                                                                                                                                                                       | 29/110 [00:21<00:15,  5.19it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:04] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.13.mlp.down_proj.weight", shape: (2048, 16384), dtype: float16

 26%|█████████████████████████████████████████████████████████████████▋                                                                                                                                                                                       | 29/110 [00:21<00:15,  5.19it/s]
 30%|██████████████████████████████████████████████████████████████████████████▋                                                                                                                                                                              | 33/110 [00:21<00:11,  6.99it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:05] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.13.mlp.gate_up_proj.weight", shape: (32768, 2048), dtype: float16

 30%|██████████████████████████████████████████████████████████████████████████▋                                                                                                                                                                              | 33/110 [00:21<00:11,  6.99it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:05] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.13.post_attention_layernorm.weight", shape: (2048,), dtype: float16

 30%|██████████████████████████████████████████████████████████████████████████▋                                                                                                                                                                              | 33/110 [00:21<00:11,  6.99it/s]
 32%|███████████████████████████████████████████████████████████████████████████████▏                                                                                                                                                                         | 35/110 [00:21<00:12,  6.08it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:05] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.13.self_attn.qkv_proj.weight", shape: (2560, 2048), dtype: float16

 32%|███████████████████████████████████████████████████████████████████████████████▏                                                                                                                                                                         | 35/110 [00:22<00:12,  6.08it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:05] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.13.self_attn.o_proj.weight", shape: (2048, 2048), dtype: float16

 32%|███████████████████████████████████████████████████████████████████████████████▏                                                                                                                                                                         | 35/110 [00:22<00:12,  6.08it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:05] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.14.input_layernorm.weight", shape: (2048,), dtype: float16

 32%|███████████████████████████████████████████████████████████████████████████████▏                                                                                                                                                                         | 35/110 [00:22<00:12,  6.08it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:05] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.14.mlp.down_proj.weight", shape: (2048, 16384), dtype: float16

 32%|███████████████████████████████████████████████████████████████████████████████▏                                                                                                                                                                         | 35/110 [00:22<00:12,  6.08it/s]
 35%|████████████████████████████████████████████████████████████████████████████████████████▎                                                                                                                                                                | 39/110 [00:22<00:08,  7.94it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:06] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.14.mlp.gate_up_proj.weight", shape: (32768, 2048), dtype: float16

 35%|████████████████████████████████████████████████████████████████████████████████████████▎                                                                                                                                                                | 39/110 [00:22<00:08,  7.94it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:06] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.14.post_attention_layernorm.weight", shape: (2048,), dtype: float16

 35%|████████████████████████████████████████████████████████████████████████████████████████▎                                                                                                                                                                | 39/110 [00:22<00:08,  7.94it/s]
 37%|████████████████████████████████████████████████████████████████████████████████████████████▊                                                                                                                                                            | 41/110 [00:22<00:10,  6.65it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:06] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.14.self_attn.qkv_proj.weight", shape: (2560, 2048), dtype: float16

 37%|████████████████████████████████████████████████████████████████████████████████████████████▊                                                                                                                                                            | 41/110 [00:22<00:10,  6.65it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:06] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.14.self_attn.o_proj.weight", shape: (2048, 2048), dtype: float16

 37%|████████████████████████████████████████████████████████████████████████████████████████████▊                                                                                                                                                            | 41/110 [00:22<00:10,  6.65it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:06] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.15.input_layernorm.weight", shape: (2048,), dtype: float16

 37%|████████████████████████████████████████████████████████████████████████████████████████████▊                                                                                                                                                            | 41/110 [00:22<00:10,  6.65it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:06] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.15.mlp.down_proj.weight", shape: (2048, 16384), dtype: float16

 37%|████████████████████████████████████████████████████████████████████████████████████████████▊                                                                                                                                                            | 41/110 [00:22<00:10,  6.65it/s]
 41%|█████████████████████████████████████████████████████████████████████████████████████████████████████▊                                                                                                                                                   | 45/110 [00:22<00:07,  8.53it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:06] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.15.mlp.gate_up_proj.weight", shape: (32768, 2048), dtype: float16

 41%|█████████████████████████████████████████████████████████████████████████████████████████████████████▊                                                                                                                                                   | 45/110 [00:23<00:07,  8.53it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:06] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.15.post_attention_layernorm.weight", shape: (2048,), dtype: float16

 41%|█████████████████████████████████████████████████████████████████████████████████████████████████████▊                                                                                                                                                   | 45/110 [00:23<00:07,  8.53it/s]
 43%|██████████████████████████████████████████████████████████████████████████████████████████████████████████▍                                                                                                                                              | 47/110 [00:23<00:09,  6.98it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:06] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.15.self_attn.qkv_proj.weight", shape: (2560, 2048), dtype: float16

 43%|██████████████████████████████████████████████████████████████████████████████████████████████████████████▍                                                                                                                                              | 47/110 [00:23<00:09,  6.98it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:06] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.15.self_attn.o_proj.weight", shape: (2048, 2048), dtype: float16

 43%|██████████████████████████████████████████████████████████████████████████████████████████████████████████▍                                                                                                                                              | 47/110 [00:23<00:09,  6.98it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:06] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.16.input_layernorm.weight", shape: (2048,), dtype: float16

 43%|██████████████████████████████████████████████████████████████████████████████████████████████████████████▍                                                                                                                                              | 47/110 [00:23<00:09,  6.98it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:07] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.16.mlp.down_proj.weight", shape: (2048, 16384), dtype: float16

 43%|██████████████████████████████████████████████████████████████████████████████████████████████████████████▍                                                                                                                                              | 47/110 [00:23<00:09,  6.98it/s]
 46%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍                                                                                                                                     | 51/110 [00:23<00:06,  8.87it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:07] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.16.mlp.gate_up_proj.weight", shape: (32768, 2048), dtype: float16

 46%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍                                                                                                                                     | 51/110 [00:24<00:06,  8.87it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:07] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.16.post_attention_layernorm.weight", shape: (2048,), dtype: float16

 46%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍                                                                                                                                     | 51/110 [00:24<00:06,  8.87it/s]
 48%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉                                                                                                                                 | 53/110 [00:24<00:07,  7.17it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:07] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.16.self_attn.qkv_proj.weight", shape: (2560, 2048), dtype: float16

 48%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉                                                                                                                                 | 53/110 [00:24<00:07,  7.17it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:07] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.16.self_attn.o_proj.weight", shape: (2048, 2048), dtype: float16

 48%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉                                                                                                                                 | 53/110 [00:24<00:07,  7.17it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:08] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.17.mlp.gate_up_proj.weight", shape: (32768, 2048), dtype: float16

 48%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉                                                                                                                                 | 53/110 [00:24<00:07,  7.17it/s]
 51%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊                                                                                                                          | 56/110 [00:24<00:08,  6.61it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:08] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.17.self_attn.qkv_proj.weight", shape: (2560, 2048), dtype: float16

 51%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊                                                                                                                          | 56/110 [00:24<00:08,  6.61it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:08] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.17.self_attn.o_proj.weight", shape: (2048, 2048), dtype: float16

 51%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊                                                                                                                          | 56/110 [00:24<00:08,  6.61it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:08] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.2.input_layernorm.weight", shape: (2048,), dtype: float16

 51%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊                                                                                                                          | 56/110 [00:24<00:08,  6.61it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:08] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.2.mlp.down_proj.weight", shape: (2048, 16384), dtype: float16

 51%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊                                                                                                                          | 56/110 [00:24<00:08,  6.61it/s]
 55%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊                                                                                                                 | 60/110 [00:24<00:05,  8.45it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:08] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.2.mlp.gate_up_proj.weight", shape: (32768, 2048), dtype: float16

 55%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊                                                                                                                 | 60/110 [00:25<00:05,  8.45it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:08] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.2.post_attention_layernorm.weight", shape: (2048,), dtype: float16

 55%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊                                                                                                                 | 60/110 [00:25<00:05,  8.45it/s]
 56%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎                                                                                                            | 62/110 [00:25<00:06,  6.95it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:08] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.2.self_attn.qkv_proj.weight", shape: (2560, 2048), dtype: float16

 56%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎                                                                                                            | 62/110 [00:25<00:06,  6.95it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:08] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.2.self_attn.o_proj.weight", shape: (2048, 2048), dtype: float16

 56%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎                                                                                                            | 62/110 [00:25<00:06,  6.95it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:08] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.3.input_layernorm.weight", shape: (2048,), dtype: float16

 56%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎                                                                                                            | 62/110 [00:25<00:06,  6.95it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:09] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.3.mlp.down_proj.weight", shape: (2048, 16384), dtype: float16

 56%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎                                                                                                            | 62/110 [00:25<00:06,  6.95it/s]
 60%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍                                                                                                   | 66/110 [00:25<00:05,  8.75it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:09] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.3.mlp.gate_up_proj.weight", shape: (32768, 2048), dtype: float16

 60%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍                                                                                                   | 66/110 [00:26<00:05,  8.75it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:09] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.3.post_attention_layernorm.weight", shape: (2048,), dtype: float16

 60%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍                                                                                                   | 66/110 [00:26<00:05,  8.75it/s]
 62%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉                                                                                               | 68/110 [00:26<00:05,  7.08it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:09] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.3.self_attn.qkv_proj.weight", shape: (2560, 2048), dtype: float16

 62%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉                                                                                               | 68/110 [00:26<00:05,  7.08it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:09] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.3.self_attn.o_proj.weight", shape: (2048, 2048), dtype: float16

 62%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉                                                                                               | 68/110 [00:26<00:05,  7.08it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:09] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.4.input_layernorm.weight", shape: (2048,), dtype: float16

 62%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉                                                                                               | 68/110 [00:26<00:05,  7.08it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:09] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.4.mlp.down_proj.weight", shape: (2048, 16384), dtype: float16

 62%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉                                                                                               | 68/110 [00:26<00:05,  7.08it/s]
 65%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉                                                                                      | 72/110 [00:26<00:04,  8.95it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:10] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.4.mlp.gate_up_proj.weight", shape: (32768, 2048), dtype: float16

 65%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉                                                                                      | 72/110 [00:26<00:04,  8.95it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:10] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.4.post_attention_layernorm.weight", shape: (2048,), dtype: float16

 65%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉                                                                                      | 72/110 [00:26<00:04,  8.95it/s]
 67%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌                                                                                 | 74/110 [00:26<00:05,  7.19it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:10] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.4.self_attn.qkv_proj.weight", shape: (2560, 2048), dtype: float16

 67%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌                                                                                 | 74/110 [00:26<00:05,  7.19it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:10] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.4.self_attn.o_proj.weight", shape: (2048, 2048), dtype: float16

 67%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌                                                                                 | 74/110 [00:26<00:05,  7.19it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:10] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.5.input_layernorm.weight", shape: (2048,), dtype: float16

 67%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌                                                                                 | 74/110 [00:26<00:05,  7.19it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:10] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.5.mlp.down_proj.weight", shape: (2048, 16384), dtype: float16

 67%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌                                                                                 | 74/110 [00:27<00:05,  7.19it/s]
 71%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌                                                                        | 78/110 [00:27<00:03,  9.06it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:11] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.5.mlp.gate_up_proj.weight", shape: (32768, 2048), dtype: float16

 71%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌                                                                        | 78/110 [00:27<00:03,  9.06it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:11] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.5.post_attention_layernorm.weight", shape: (2048,), dtype: float16

 71%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌                                                                        | 78/110 [00:27<00:03,  9.06it/s]
 73%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████                                                                    | 80/110 [00:27<00:04,  7.25it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:11] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.5.self_attn.qkv_proj.weight", shape: (2560, 2048), dtype: float16

 73%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████                                                                    | 80/110 [00:27<00:04,  7.25it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:11] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.5.self_attn.o_proj.weight", shape: (2048, 2048), dtype: float16

 73%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████                                                                    | 80/110 [00:27<00:04,  7.25it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:11] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.6.input_layernorm.weight", shape: (2048,), dtype: float16

 73%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████                                                                    | 80/110 [00:27<00:04,  7.25it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:11] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.6.mlp.down_proj.weight", shape: (2048, 16384), dtype: float16

 73%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████                                                                    | 80/110 [00:27<00:04,  7.25it/s]
 76%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏                                                          | 84/110 [00:27<00:02,  9.12it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:11] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.6.mlp.gate_up_proj.weight", shape: (32768, 2048), dtype: float16

 76%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏                                                          | 84/110 [00:28<00:02,  9.12it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:11] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.6.post_attention_layernorm.weight", shape: (2048,), dtype: float16

 76%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏                                                          | 84/110 [00:28<00:02,  9.12it/s]
 78%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋                                                      | 86/110 [00:28<00:03,  7.29it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:11] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.6.self_attn.qkv_proj.weight", shape: (2560, 2048), dtype: float16

 78%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋                                                      | 86/110 [00:28<00:03,  7.29it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:11] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.6.self_attn.o_proj.weight", shape: (2048, 2048), dtype: float16

 78%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋                                                      | 86/110 [00:28<00:03,  7.29it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:11] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.7.input_layernorm.weight", shape: (2048,), dtype: float16

 78%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋                                                      | 86/110 [00:28<00:03,  7.29it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:12] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.7.mlp.down_proj.weight", shape: (2048, 16384), dtype: float16

 78%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋                                                      | 86/110 [00:28<00:03,  7.29it/s]
 82%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋                                             | 90/110 [00:28<00:02,  9.17it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:12] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.7.mlp.gate_up_proj.weight", shape: (32768, 2048), dtype: float16

 82%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋                                             | 90/110 [00:29<00:02,  9.17it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:12] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.7.post_attention_layernorm.weight", shape: (2048,), dtype: float16

 82%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋                                             | 90/110 [00:29<00:02,  9.17it/s]
 84%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎                                        | 92/110 [00:29<00:02,  7.31it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:12] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.7.self_attn.qkv_proj.weight", shape: (2560, 2048), dtype: float16

 84%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎                                        | 92/110 [00:29<00:02,  7.31it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:12] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.7.self_attn.o_proj.weight", shape: (2048, 2048), dtype: float16

 84%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎                                        | 92/110 [00:29<00:02,  7.31it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:12] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.8.input_layernorm.weight", shape: (2048,), dtype: float16

 84%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎                                        | 92/110 [00:29<00:02,  7.31it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:12] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.8.mlp.down_proj.weight", shape: (2048, 16384), dtype: float16

 84%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎                                        | 92/110 [00:29<00:02,  7.31it/s]
 87%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎                               | 96/110 [00:29<00:01,  9.17it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:13] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.8.mlp.gate_up_proj.weight", shape: (32768, 2048), dtype: float16

 87%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎                               | 96/110 [00:29<00:01,  9.17it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:13] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.8.post_attention_layernorm.weight", shape: (2048,), dtype: float16

 87%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎                               | 96/110 [00:29<00:01,  9.17it/s]
 89%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊                           | 98/110 [00:29<00:01,  7.31it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:13] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.8.self_attn.qkv_proj.weight", shape: (2560, 2048), dtype: float16

 89%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊                           | 98/110 [00:29<00:01,  7.31it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:13] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.8.self_attn.o_proj.weight", shape: (2048, 2048), dtype: float16

 89%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊                           | 98/110 [00:29<00:01,  7.31it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:13] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.9.input_layernorm.weight", shape: (2048,), dtype: float16

 89%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊                           | 98/110 [00:29<00:01,  7.31it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:13] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.9.mlp.down_proj.weight", shape: (2048, 16384), dtype: float16

 89%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊                           | 98/110 [00:30<00:01,  7.31it/s]
 93%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉                  | 102/110 [00:30<00:00,  9.16it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:13] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.9.mlp.gate_up_proj.weight", shape: (32768, 2048), dtype: float16

 93%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉                  | 102/110 [00:30<00:00,  9.16it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:14] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.9.post_attention_layernorm.weight", shape: (2048,), dtype: float16

 93%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉                  | 102/110 [00:30<00:00,  9.16it/s]
 95%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍             | 104/110 [00:30<00:00,  7.28it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:14] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.9.self_attn.qkv_proj.weight", shape: (2560, 2048), dtype: float16

 95%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍             | 104/110 [00:30<00:00,  7.28it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:14] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.9.self_attn.o_proj.weight", shape: (2048, 2048), dtype: float16

 95%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍             | 104/110 [00:30<00:00,  7.28it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:14] INFO huggingface_loader.py:194: Unloading HF weight file: /models/gemma-2b-it/model-00001-of-00002.safetensors

 95%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍             | 104/110 [00:30<00:00,  7.28it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:14] INFO huggingface_loader.py:182: Loading HF parameters from: /models/gemma-2b-it/model-00002-of-00002.safetensors

 95%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍             | 104/110 [00:31<00:00,  7.28it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:14] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.17.input_layernorm.weight", shape: (2048,), dtype: float16

 95%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍             | 104/110 [00:31<00:00,  7.28it/s]
 97%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏      | 107/110 [00:31<00:00,  5.67it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:15] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.17.mlp.down_proj.weight", shape: (2048, 16384), dtype: float16

 97%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏      | 107/110 [00:31<00:00,  5.67it/s]
 98%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍    | 108/110 [00:31<00:00,  5.55it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:15] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.17.post_attention_layernorm.weight", shape: (2048,), dtype: float16

 98%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍    | 108/110 [00:31<00:00,  5.55it/s]
                                                                                                                                                                                                                                                                                               
[2024-02-21 21:56:15] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.norm.weight", shape: (2048,), dtype: float16

 98%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍    | 108/110 [00:31<00:00,  5.55it/s]
100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 110/110 [00:31<00:00,  3.49it/s]
[2024-02-21 21:56:15] INFO huggingface_loader.py:194: Unloading HF weight file: /models/gemma-2b-it/model-00002-of-00002.safetensors
[2024-02-21 21:56:15] INFO stats.py:76: Time usage: HF loading: 12.100 sec; Pre-quantization mapping: 15.141 sec; Quantization: 0.000 sec
[2024-02-21 21:56:15] INFO stats.py:90: RAM usage: Peak RAM: 9.211 GB. Total bytes loaded from disk: 9.336 GB
[2024-02-21 21:56:15] INFO convert_weight.py:132: Parameter size after quantization: 4.668 GB
[2024-02-21 21:56:15] INFO convert_weight.py:137: Total parameters: 2,506,172,416
[2024-02-21 21:56:15] INFO convert_weight.py:138: Bits per parameter: 16.000
Start storing to cache /tmp/tmp5z9hcfjh


[0001/0110] saving model.embed_tokens.weight
                                            
[0002/0110] saving model.layers.0.input_layernorm.weight
                                                        
[0003/0110] saving model.layers.0.mlp.down_proj.weight
                                                        
[0004/0110] saving model.layers.0.mlp.gate_up_proj.weight
                                                         
[0005/0110] saving model.layers.0.post_attention_layernorm.weight
                                                                 
[0006/0110] saving model.layers.0.self_attn.qkv_proj.weight
                                                                 
[0007/0110] saving model.layers.0.self_attn.o_proj.weight
                                                                 
[0008/0110] saving model.layers.1.input_layernorm.weight
                                                                 
[0009/0110] saving model.layers.1.mlp.down_proj.weight
                                                                 
[0010/0110] saving model.layers.1.mlp.gate_up_proj.weight
                                                                 
[0011/0110] saving model.layers.1.post_attention_layernorm.weight
                                                                 
[0012/0110] saving model.layers.1.self_attn.qkv_proj.weight
                                                                 
[0013/0110] saving model.layers.1.self_attn.o_proj.weight
                                                                 
[0014/0110] saving model.layers.10.input_layernorm.weight
                                                                 
[0015/0110] saving model.layers.10.mlp.down_proj.weight
                                                                 
[0016/0110] saving model.layers.10.mlp.gate_up_proj.weight
                                                                 
[0017/0110] saving model.layers.10.post_attention_layernorm.weight
                                                                  
[0018/0110] saving model.layers.10.self_attn.qkv_proj.weight
                                                                  
[0019/0110] saving model.layers.10.self_attn.o_proj.weight
                                                                  
[0020/0110] saving model.layers.11.input_layernorm.weight
                                                                  
[0021/0110] saving model.layers.11.mlp.down_proj.weight
                                                                  
[0022/0110] saving model.layers.11.mlp.gate_up_proj.weight
                                                                  
[0023/0110] saving model.layers.11.post_attention_layernorm.weight
                                                                  
[0024/0110] saving model.layers.11.self_attn.qkv_proj.weight
                                                                  
[0025/0110] saving model.layers.11.self_attn.o_proj.weight
                                                                  
[0026/0110] saving model.layers.12.input_layernorm.weight
                                                                  
[0027/0110] saving model.layers.12.mlp.down_proj.weight
                                                                  
[0028/0110] saving model.layers.12.mlp.gate_up_proj.weight
                                                                  
[0029/0110] saving model.layers.12.post_attention_layernorm.weight
                                                                  
[0030/0110] saving model.layers.12.self_attn.qkv_proj.weight
                                                                  
[0031/0110] saving model.layers.12.self_attn.o_proj.weight
                                                                  
[0032/0110] saving model.layers.13.input_layernorm.weight
                                                                  
[0033/0110] saving model.layers.13.mlp.down_proj.weight
                                                                  
[0034/0110] saving model.layers.13.mlp.gate_up_proj.weight
                                                                  
[0035/0110] saving model.layers.13.post_attention_layernorm.weight
                                                                  
[0036/0110] saving model.layers.13.self_attn.qkv_proj.weight
                                                                  
[0037/0110] saving model.layers.13.self_attn.o_proj.weight
                                                                  
[0038/0110] saving model.layers.14.input_layernorm.weight
                                                                  
[0039/0110] saving model.layers.14.mlp.down_proj.weight
                                                                  
[0040/0110] saving model.layers.14.mlp.gate_up_proj.weight
                                                                  
[0041/0110] saving model.layers.14.post_attention_layernorm.weight
                                                                  
[0042/0110] saving model.layers.14.self_attn.qkv_proj.weight
                                                                  
[0043/0110] saving model.layers.14.self_attn.o_proj.weight
                                                                  
[0044/0110] saving model.layers.15.input_layernorm.weight
                                                                  
[0045/0110] saving model.layers.15.mlp.down_proj.weight
                                                                  
[0046/0110] saving model.layers.15.mlp.gate_up_proj.weight
                                                                  
[0047/0110] saving model.layers.15.post_attention_layernorm.weight
                                                                  
[0048/0110] saving model.layers.15.self_attn.qkv_proj.weight
                                                                  
[0049/0110] saving model.layers.15.self_attn.o_proj.weight
                                                                  
[0050/0110] saving model.layers.16.input_layernorm.weight
                                                                  
[0051/0110] saving model.layers.16.mlp.down_proj.weight
                                                                  
[0052/0110] saving model.layers.16.mlp.gate_up_proj.weight
                                                                  
[0053/0110] saving model.layers.16.post_attention_layernorm.weight
                                                                  
[0054/0110] saving model.layers.16.self_attn.qkv_proj.weight
                                                                  
[0055/0110] saving model.layers.16.self_attn.o_proj.weight
                                                                  
[0056/0110] saving model.layers.17.mlp.gate_up_proj.weight
                                                                  
[0057/0110] saving model.layers.17.self_attn.qkv_proj.weight
                                                                  
[0058/0110] saving model.layers.17.self_attn.o_proj.weight
                                                                  
[0059/0110] saving model.layers.2.input_layernorm.weight
                                                                  
[0060/0110] saving model.layers.2.mlp.down_proj.weight
                                                                  
[0061/0110] saving model.layers.2.mlp.gate_up_proj.weight
                                                                  
[0062/0110] saving model.layers.2.post_attention_layernorm.weight
                                                                  
[0063/0110] saving model.layers.2.self_attn.qkv_proj.weight
                                                                  
[0064/0110] saving model.layers.2.self_attn.o_proj.weight
                                                                  
[0065/0110] saving model.layers.3.input_layernorm.weight[2024-02-21 21:56:31] INFO convert_weight.py:154: Saved to directory: /tmp/tmp5z9hcfjh

                                                                  
[0066/0110] saving model.layers.3.mlp.down_proj.weight
                                                                  
[0067/0110] saving model.layers.3.mlp.gate_up_proj.weight
                                                                  
[0068/0110] saving model.layers.3.post_attention_layernorm.weight
                                                                  
[0069/0110] saving model.layers.3.self_attn.qkv_proj.weight
                                                                  
[0070/0110] saving model.layers.3.self_attn.o_proj.weight
                                                                  
[0071/0110] saving model.layers.4.input_layernorm.weight
                                                                  
[0072/0110] saving model.layers.4.mlp.down_proj.weight
                                                                  
[0073/0110] saving model.layers.4.mlp.gate_up_proj.weight
                                                                  
[0074/0110] saving model.layers.4.post_attention_layernorm.weight
                                                                  
[0075/0110] saving model.layers.4.self_attn.qkv_proj.weight
                                                                  
[0076/0110] saving model.layers.4.self_attn.o_proj.weight
                                                                  
[0077/0110] saving model.layers.5.input_layernorm.weight
                                                                  
[0078/0110] saving model.layers.5.mlp.down_proj.weight
                                                                  
[0079/0110] saving model.layers.5.mlp.gate_up_proj.weight
                                                                  
[0080/0110] saving model.layers.5.post_attention_layernorm.weight
                                                                  
[0081/0110] saving model.layers.5.self_attn.qkv_proj.weight
                                                                  
[0082/0110] saving model.layers.5.self_attn.o_proj.weight
                                                                  
[0083/0110] saving model.layers.6.input_layernorm.weight
                                                                  
[0084/0110] saving model.layers.6.mlp.down_proj.weight
                                                                  
[0085/0110] saving model.layers.6.mlp.gate_up_proj.weight
                                                                  
[0086/0110] saving model.layers.6.post_attention_layernorm.weight
                                                                  
[0087/0110] saving model.layers.6.self_attn.qkv_proj.weight
                                                                  
[0088/0110] saving model.layers.6.self_attn.o_proj.weight
                                                                  
[0089/0110] saving model.layers.7.input_layernorm.weight
                                                                  
[0090/0110] saving model.layers.7.mlp.down_proj.weight
                                                                  
[0091/0110] saving model.layers.7.mlp.gate_up_proj.weight
                                                                  
[0092/0110] saving model.layers.7.post_attention_layernorm.weight
                                                                  
[0093/0110] saving model.layers.7.self_attn.qkv_proj.weight
                                                                  
[0094/0110] saving model.layers.7.self_attn.o_proj.weight
                                                                  
[0095/0110] saving model.layers.8.input_layernorm.weight
                                                                  
[0096/0110] saving model.layers.8.mlp.down_proj.weight
                                                                  
[0097/0110] saving model.layers.8.mlp.gate_up_proj.weight
                                                                  
[0098/0110] saving model.layers.8.post_attention_layernorm.weight
                                                                  
[0099/0110] saving model.layers.8.self_attn.qkv_proj.weight
                                                                  
[0100/0110] saving model.layers.8.self_attn.o_proj.weight
                                                                  
[0101/0110] saving model.layers.9.input_layernorm.weight
                                                                  
[0102/0110] saving model.layers.9.mlp.down_proj.weight
                                                                  
[0103/0110] saving model.layers.9.mlp.gate_up_proj.weight
                                                                  
[0104/0110] saving model.layers.9.post_attention_layernorm.weight
                                                                  
[0105/0110] saving model.layers.9.self_attn.qkv_proj.weight
                                                                  
[0106/0110] saving model.layers.9.self_attn.o_proj.weight
                                                                  
[0107/0110] saving model.layers.17.input_layernorm.weight
                                                                  
[0108/0110] saving model.layers.17.mlp.down_proj.weight
                                                                  
[0109/0110] saving model.layers.17.post_attention_layernorm.weight
                                                                  
[0110/0110] saving model.norm.weight
All finished, 49 total shards committed, record saved to /tmp/tmp5z9hcfjh/ndarray-cache.json