作者：英特尔 AI 软件工程师 杨亦诚

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：
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。
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。
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：
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。
3.模型部署
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 Intel 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。

用户: 你好
ChatGLM3-6B-OpenVINO: 你好！有什么我可以帮助你的吗？

用户: 你是谁？
ChatGLM3-6B-OpenVINO: 我是一个名为ChatGLM3-6B的人工智能助手，是由清华大学KEG实验室和智谱AI 公司于2023 年共同训练的语言模型开发而成。我的任务是针对用户的问题和要求提供适当的答复和支持。

用户: 请给我讲一个有趣的故事
ChatGLM3-6B-OpenVINO: 从前，有一个名叫小明的小男孩，他是一个非常喜欢动物的人。有一天，他在森林里散步时，发现了一个非常漂亮的小鸟。小鸟受伤了，无法飞行。小明非常心疼，于是决定照顾这只小鸟。小明带着小鸟回家，为它搭建了一个小小的巢穴，并找来了一些软草和食物。每天，他都会给小鸟喂食，并为它换水。渐渐地，小鸟的伤势好了起来，开始在小明的家里飞来飞去，它们成了非常好的朋友。然而，一天，小明的父母告诉他，他们必须把小明养的小鸟送到森林里去。小明非常伤心，因为他已经和小鸟成为了好朋友。但是，他的父母告诉他，小鸟在森林里会更加自由自在，而且他也可以继续观看小鸟在森林中的生活。于是，小明和他的父母一起将小鸟送到了森林中。小鸟非常高兴，因为它又可以飞行了，并且还有许多其他的小动物朋友。小明也感到非常开心，因为他知道，即使不能一直拥有小鸟，他仍然可以欣赏到它们在自然中的美丽。从此以后，小明常常来到森林中，寻找小鸟。

用户: 请给这个故事起一个标题
ChatGLM3-6B-OpenVINO: 《友谊的力量：小明与小鸟的森林冒险》

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。

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