README.md

metadata

title: basic_demo
app_file: trans_web_demo.py
sdk: gradio
sdk_version: 4.36.0

Basic Demo

Read this in English.

本 demo 中，你将体验到如何使用 GLM-4-9B 开源模型进行基本的任务。

请严格按照文档的步骤进行操作，以避免不必要的错误。

设备和依赖检查

相关推理测试数据

本文档的数据均在以下硬件环境测试,实际运行环境需求和运行占用的显存略有不同，请以实际运行环境为准。

测试硬件信息:

• OS: Ubuntu 22.04
• Memory: 512GB
• Python: 3.12.3
• CUDA Version: 12.3
• GPU Driver: 535.104.05
• GPU: NVIDIA A100-SXM4-80GB * 8

相关推理的压力测试数据如下：

所有测试均在单张GPU上进行测试,所有显存消耗都按照峰值左右进行测算

GLM-4-9B-Chat

精度	显存占用	Prefilling	Decode Speed	Remarks
BF16	19 GB	0.2s	27.8 tokens/s	输入长度为 1000
BF16	21 GB	0.8s	31.8 tokens/s	输入长度为 8000
BF16	28 GB	4.3s	14.4 tokens/s	输入长度为 32000
BF16	58 GB	38.1s	3.4 tokens/s	输入长度为 128000

精度	显存占用	Prefilling	Decode Speed	Remarks
INT4	8 GB	0.2s	23.3 tokens/s	输入长度为 1000
INT4	10 GB	0.8s	23.4 tokens/s	输入长度为 8000
INT4	17 GB	4.3s	14.6 tokens/s	输入长度为 32000

GLM-4-9B-Chat-1M

精度	显存占用	Prefilling	Decode Speed	Remarks
BF16	75 GB	98.4s	2.3 tokens/s	输入长度为 200000

如果您的输入超过200K，我们建议您使用vLLM后端进行多卡推理，以获得更好的性能。

GLM-4V-9B

精度	显存占用	Prefilling	Decode Speed	Remarks
BF16	28 GB	0.1s	33.4 tokens/s	输入长度为 1000
BF16	33 GB	0.7s	39.2 tokens/s	输入长度为 8000

精度	显存占用	Prefilling	Decode Speed	Remarks
INT4	10 GB	0.1s	28.7 tokens/s	输入长度为 1000
INT4	15 GB	0.8s	24.2 tokens/s	输入长度为 8000

最低硬件要求

如果您希望运行官方提供的最基础代码 (transformers 后端) 您需要：

• Python >= 3.10
• 内存不少于 32 GB

如果您希望运行官方提供的本文件夹的所有代码，您还需要：

• Linux 操作系统 (Debian 系列最佳)
• 大于 8GB 显存的，支持 CUDA 或者 ROCM 并且支持 BF16 推理的 GPU 设备。(FP16 精度无法训练，推理有小概率出现问题)

安装依赖

pip install -r requirements.txt

基础功能调用

除非特殊说明，本文件夹所有 demo 并不支持 Function Call 和 All Tools 等进阶用法

使用 transformers 后端代码

• 使用命令行与 GLM-4-9B 模型进行对话。

python trans_cli_demo.py # GLM-4-9B-Chat
python trans_cli_vision_demo.py # GLM-4V-9B

• 使用 Gradio 网页端与 GLM-4-9B-Chat 模型进行对话。

python trans_web_demo.py

• 使用 Batch 推理。

python cli_batch_request_demo.py

使用 vLLM 后端代码

• 使用命令行与 GLM-4-9B-Chat 模型进行对话。

python vllm_cli_demo.py

• 自行构建服务端，并使用 OpenAI API 的请求格式与 GLM-4-9B-Chat 模型进行对话。本 demo 支持 Function Call 和 All Tools功能。

启动服务端：

python openai_api_server.py

客户端请求：

python openai_api_request.py

压力测试

用户可以在自己的设备上使用本代码测试模型在 transformers后端的生成速度:

python trans_stress_test.py