我有一个集群，虽然有一种可用的权重存储库，但未连接到互联网。我需要对其运行 LLM 推理。

到目前为止，我发现的唯一选择是使用 transformers 和 langchain 模块的组合，但我不想调整模型的超参数。我遇到了 ollama 软件，但我无法在集群上安装任何东西，除了 python 库之外。所以，我自然想知道，运行 LLM 推理有哪些选择？还有一些问题。

1. 我可以只安装 ollama-python 软件包而不安装他们的 Linux 软件吗？或者我需要两者来运行我的推理吗？
2. 如果我设法在此集群上安装 ollama，如何为模型提供预训练权重？如果有帮助，它们存储在（有时多个）.bin 文件中

正确答案

您实际上不必安装 ollama。相反，您可以直接本地运行 llm，例如 mistral 模型

llm = gpt4all(
    model="/home/jeff/.cache/huggingface/hub/gpt4all/mistral-7b-openorca.q4_0.gguf",
    device='gpu', n_threads=8,
    callbacks=callbacks, verbose=true)

或者对于 falcon

from transformers import AutoTokenizer, AutoModelForCausalLM, pipeline
import torch

model_id = "tiiuae/falcon-7b-instruct"
tokenizer = AutoTokenizer.from_pretrained(model_id)
pipeline = pipeline(
    "text-generation",
    model=model_id,
    tokenizer=tokenizer,
    torch_dtype=torch.bfloat16,
    # trust_remote_code=True,
    device_map="auto",
    max_new_tokens=100,
    # max_length=200,
)


from langchain_community.llms.huggingface_pipeline import HuggingFacePipeline
llm = HuggingFacePipeline(pipeline=pipeline)

我的笔记本电脑上安装了 16g 内存 nvidia 4090，可以支持上述 2 个型号本地运行。