简单三步使用OpenVINO™搞定ChatGLM3的本地部署

工具介绍

英特尔OpenVINO 工具套件是一款开源AI推理优化部署的工具套件，可帮助开发人员和企业加速生成式人工智能 (AIGC)、大语言模型、计算机视觉和自然语言处理等 AI 工作负载，简化深度学习推理的开发和部署，便于实现从边缘到云的跨英特尔 平台的异构执行。

ChatGLM3是智谱AI和清华大学KEG实验室联合发布的对话预训练模型。ChatGLM3-6B是ChatGLM3系列中的开源模型，在保留了前两代模型对话流畅、部署门槛低等众多优秀特性的基础上，ChatGLM3-6B引入了以下新特性：

1

更强大的基础模型：

ChatGLM3-6B的基础模型ChatGLM3-6B-Base采用了更多样的训练数据、更充分的训练步数和更合理的训练策略。在语义、数学、推理、代码、知识等不同角度的数据集上测评显示，ChatGLM3-6B-Base具有在10B以下的预训练模型中领先的性能。

2

更完整的功能支持：

ChatGLM3-6B采用了全新设计的Prompt格式，除正常的多轮对话外，同时原生支持工具调用 (Function Call)、代码执行 (Code Interpreter) 和Agent任务等复杂场景。

3

更全面的开源序列：

除了对话模型ChatGLM3-6B外，还开源了基础模型ChatGLM-6B-Base、长文本对话模型ChatGLM3-6B-32K。以上所有权重对学术研究完全开放，在填写问卷进行登记后亦允许免费商业使用。

图：基于Optimum-intel与OpenVINO部署生成式AI模型流程

英特尔为开发者提供了快速部署ChatGLM3-6B的方案支持。开发者只需要在GitHub上克隆示例仓库，进行环境配置，并将Hugging Face模型转换为OpenVINO IR模型，即可进行模型推理。由于大部分步骤都可以自动完成，因此开发者只需要简单的工作便能完成部署，目前该仓库也被收录在GhatGLM3的官方仓库和魔搭社区Model Card中，接下来让我们一起看下具体的步骤和方法：

示例仓库：

https://github.com/OpenVINO-dev-contest/chatglm3.openvino

官方仓库：

https://github.com/THUDM/ChatGLM3?tab=readme-ov-file#openvino-demo

Model Card：

https://www.modelscope.cn/models/ZhipuAI/chatglm3-6b/summary#

1

模型转换

当你按仓库中的README文档完成集成环境配置后，可以直接通过以下命令运行模型转换脚本：

 

python3 convert.py --model_id THUDM/chatglm3-6b –output {your_path}/chatglm3-6b-ov

 

该脚本首先会利用Transformers库从Hugging Face的model hub中下载并加载原始模型的PyTorch对象，如果开发者在这个过程中无法访问Hugging Face的model hub，也可以通过配置环境变量的方式，将模型下载地址更换为镜像网站，并将convert.py脚本的model_id参数配置为本地路径，具体方法如下：

 

$env:HF_ENDPOINT = https://hf-mirror.com
huggingface-cli download --resume-download --local-dir-use-symlinks False THUDM/chatglm3-6b --local-dir {your_path}/chatglm3-6b
python3 convert.py --model_id  {your_path}/chatglm3-6b --output {your_path}/chatglm3-6b-ov

 

当获取PyTorch的模型对象后，该脚本会利用OpenVINO的PyTorch frontend进行模型格式的转换，执行完毕后，你将获取一个由.xml和.bin文件所构成的OpenVINO IR模型文件，该模型默认以FP16精度保存。

2

权重量化

该步骤为可选项，开发者可以通过以下脚本，将生成的OpenVINO模型通过权重量化策略，进一步地压缩为4-bits或者是8-bits的精度，以获取更低的推理延时及系统资源占用。

 

python3 quantize.py --model_path {your_path}/chatglm3-6b-ov --precision int4 --output {your_path}/chatglm3-6b-ov-int4

 

执行完毕后，你将获得经过压缩后的IR模型文件，以INT4对称量化为例，该压缩后的模型文件的整体容量大约为4GB左右。

图：量化后的OpenVINO模型文件

同时在量化结束后，亦会在终端上打印模型的量化比例，如下图所示。

图：量化比例输出

由于OpenVINO  NNCF工具的权重压缩策略只针对于大语言模型中的Embedding和Linear这两种算子，所以该表格只会统计这两类算子的量化比例。其中ratio-defining parameter是指我们提前通过接口预设的混合精度比例，也就是21%权重以INT8表示，79%以INT4表示，这也是考虑到量化对ChatGLM3模型准确度的影响，事先评估得到的配置参数，开发者亦可以通过这个示例搜索出适合其他模型的量化参数。此外鉴于第一层Embedding layer和模型最后一层操作对于输出准确度的影响，NNCF默认会将他们以INT8表示，这也是为何all parameters中显示的混合精度比例会有所不同。当然开发者也可以通过nncf.compress_weights接口中设置all_layers=True，开关闭该默认策略。

示例：

https://github.com/openvinotoolkit/nncf/tree/develop/examples/llm_compression/openvino/tiny_llama_find_hyperparams

3

模型转换

最后一步就是模型部署了，这里展示的是一个Chatbot聊天机器人的示例，这也是LLM应用中最普遍，也是最基础的pipeline，而OpenVINO可以通过Optimum-intel工具为桥梁，复用Transformers库中预置的pipeline，因此在这个脚本中我们会对ChatGLM3模型再做一次封装，以继承并改写OVModelForCausalLM类中的方法，实现对于Optimum-intel工具的集成和适配。以下为该脚本的运行方式：

 

python3 chat.py --model_path {your_path}/chatglm3-6b-ov-int4 --max_sequence_length 4096 --device CPU

 

如果开发者的设备中包含英特尔的GPU产品，例如Intel ARC系列集成显卡或是独立显卡，可以在这个命令中将device参数改为GPU，以激活更强大的模型推理能力。

在终端里运行该脚本后，会生成一个简易聊天对话界面，接下来你就可以验证它的效果和性能了。

总结

通过模型转换、量化、部署这三个步骤，我们可以轻松实现在本地PC上部署ChatGLM3-6b大语言模型，经测试该模型可以流畅运行在最新的Intel Core Ultra异构平台及至强CPU平台上，作为众多AI agent和RAG等创新应用的核心基石，大语言模型的本地部署能力将充分帮助开发者们打造更安全，更高效的AI解决方案。

 

审核编辑：刘清