WSL2でPhi-3-mini-128k-instructを試してみる

「Phi-3 データセットを使用してトレーニングされた、38 億パラメータの軽量の最先端のオープンモデル」らしい、Phi-3-mini-128k-instructを試してみます。

microsoft/Phi-3-mini-128k-instruct · Hugging Face

使用するPCはドスパラさんの「GALLERIA UL9C-R49」。スペックは
・CPU: Intel® Core™ i9-13900HX Processor
・Mem: 64 GB
・GPU: NVIDIA® GeForce RTX™ 4090 Laptop GPU(16GB)
・GPU: NVIDIA® GeForce RTX™ 4090 (24GB)
・OS: Ubuntu22.04 on WSL2（Windows 11）
です。

1. 準備

venr構築

python3 -m venv phi3
cd $_
source bin/activate

パッケージのインストール。

pip install torch transformers accelerate

2. 流し込むコード

いつものコードです。query.pyという名前で保存した想定で以下進めます。

import sys
import argparse
import torch
from transformers import AutoModelForCausalLM, AutoTokenizer, TextStreamer
from typing import List, Dict
import time

# argv
parser = argparse.ArgumentParser()
parser.add_argument("--model-path", type=str, default=None)
parser.add_argument("--no-chat", action='store_true')
parser.add_argument("--no-use-system-prompt", action='store_true')
parser.add_argument("--max-tokens", type=int, default=256)

args = parser.parse_args(sys.argv[1:])

model_id = args.model_path
if model_id == None:
    exit

is_chat = not args.no_chat
use_system_prompt = not args.no_use_system_prompt
max_new_tokens = args.max_tokens

# トークナイザーとモデルの準備
tokenizer = AutoTokenizer.from_pretrained(
    model_id,
    trust_remote_code=True
)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    #torch_dtype="auto",
    torch_dtype=torch.bfloat16,
    device_map="auto",
    #device_map="cuda",
    low_cpu_mem_usage=True,
    trust_remote_code=True
)
#if torch.cuda.is_available():
#    model = model.to("cuda")

streamer = TextStreamer(
    tokenizer,
    skip_prompt=True,
    skip_special_tokens=True
)

DEFAULT_SYSTEM_PROMPT = "あなたは誠実で優秀な日本人のアシスタントです。"

# generation params
generation_params = {
    "do_sample": True,
    "temperature": 0.8,
    "top_p": 0.95,
    "top_k": 40,
    "max_new_tokens": max_new_tokens,
    "repetition_penalty": 1.1,
}


def q(
    user_query: str,
    history: List[Dict[str, str]]=None
) -> List[Dict[str, str]]:
    start = time.process_time()
    # messages
    messages = ""
    if is_chat:
        messages = []
        if use_system_prompt:
            messages = [
                {"role": "system", "content": DEFAULT_SYSTEM_PROMPT},
            ]
        user_messages = [
            {"role": "user", "content": user_query}
        ]
    else:
        user_messages = user_query
    if history:
        user_messages = history + user_messages
    messages += user_messages
    # generation prompts
    if is_chat:
        prompt = tokenizer.apply_chat_template(
            conversation=messages,
            add_generation_prompt=True,
            tokenize=False
        )
    else:
        prompt = messages
    input_ids = tokenizer.encode(
        prompt,
        add_special_tokens=True,
        return_tensors="pt"
    )
    print("--- prompt")
    print(prompt)
    print("--- output")
    # 推論
    output_ids = model.generate(
        input_ids.to(model.device),
        streamer=streamer,
        **generation_params
    )
    output = tokenizer.decode(
        output_ids[0][input_ids.size(1) :],
        skip_special_tokens=True
    )
    if is_chat:
        user_messages.append(
            {"role": "assistant", "content": output}
        )
    else:
        user_messages += output
    end = time.process_time()
    ##
    input_tokens = len(input_ids[0])
    output_tokens = len(output_ids[0][input_ids.size(1) :])
    total_time = end - start
    tps = output_tokens / total_time
    print(f"prompt tokens = {input_tokens:.7g}")
    print(f"output tokens = {output_tokens:.7g} ({tps:f} [tps])")
    print(f"   total time = {total_time:f} [s]")
    return user_messages

print('history = ""')
print('history = q("ドラえもんとはなにか")')
print('history = q("続きを教えてください", history)')

3. 試してみる

Hugging Faceのパスを指定して起動です。max-tokensを4096に指定しておきます。

python -i /path/to/query.py --model-path microsoft/Phi-3-mini-128k-instruct --max-tokens 4096

聞いてみる

とりあえず聞いてみましょう。

>>> history = q("ドラえもんとはなにか")
--- prompt
<s><|system|>
あなたは誠実で優秀な日本人のアシスタントです。<|end|>
<|user|>
ドラえもんとはなにか<|end|>
<|assistant|>

--- output
ドラえもん（だらいもん）は、日本で最も有名なロボットキャラクターで、作者の藤子・F・不二雄によって創造されました。主人公は青いリュック服を着た小さな男性の少年「びちゃくじ」で、その腕には彼の親友である、机の上に隠されているとされる超能力を持つ30ページの架空のテレビである「ドラえもんの世界（ドラえもんマガジン）」が付属しています。この世界は物理的に存在せず、インタラクティブ な簡単なプログラムを通じて、ドラえもんは多くの謎解きや冒険に関与しています。さらに、このメディアは幅広い年齢層に向けて設計されており、教育的価値も高められています。
prompt tokens = 46
output tokens = 306 (26.511583 [tps])
   total time = 11.542125 [s]
>>>

ドラえもん（だらいもん）は、日本で最も有名なロボットキャラクターで、作者の藤子・F・不二雄によって創造されました。主人公は青いリュック服を着た小さな男性の少年「びちゃくじ」で、その腕には彼の親友である、机の上に隠されているとされる超能力を持つ30ページの架空のテレビである「ドラえもんの世界（ドラえもんマガジン）」が付属しています。この世界は物理的に存在せず、インタラクティブ な簡単なプログラムを通じて、ドラえもんは多くの謎解きや冒険に関与しています。さらに、このメディアは幅広い年齢層に向けて設計されており、教育的価値も高められています。

microsoft/Phi-3-mini-128k-instruct

かなり斜め上な文章でして…。わたしの頭が固いのかしら。

4. まとめ

推論の速度は26.5トークン/秒ぐらい、VRAMは8.0GBほどでした。

RTX 4090 (24GB)