Meta Llama Models：Llama 4 单卡量化推理与选型指南

Meta Llama Models：Llama 4 单卡量化推理与选型指南

【免费下载链接】llama-modelsUtilities intended for use with Llama models.项目地址: https://gitcode.com/GitHub_Trending/ll/llama-models

显存只有 1 张 80GB，却要跑 Llama-4-Scout-17B：Meta 官方参考仓库llama-models，从 checkpoint 到输出 token 的完整推理实现，让你不依赖第三方框架跑通官方模型。

80GB 显存部署 Llama 4 的参考实现：项目全景

llama-models 解决什么问题：拿到.pth权重后，从格式化成 prompt、tokenize、进模型、采样到流式吐字，一条链路全在仓库内闭环，llama-model命令负责权重的 list/download/verify。

核心组成：llama-modelCLI 管权重与校验；llama_models/llama4/generation.py 做批量推理与采样；quantize_impls.py实现 FP8/Int4 混精；chat_format.py套官方 prompt 模板；checkpoint.py负责按 GPU 数重切分权重。

与同类最大的差异：它是官方参考实现而非推理引擎——官方 benchmark 即由此代码跑出，prompt 格式、分词、量化行为与 Meta 评测完全一致。

数据流：从量化加载到 top-p 采样的 5 个环节

一条 chat 请求的完整路径：ChatFormat把对话编码成 token；若含图片，占位符<|patch|>位置在首步被视觉编码器输出替换；token 经并行嵌入进入 N 层 Transformer，KV 缓存只追加不重算，注意力按层在 RoPE/NoPE 间切换（iRoPE 设计）；logits 经温度缩放做 top-p 采样；每步yield一个 token，天然流式。

采样环节，做了什么：裁剪概率质量到 p 再重归一化抽样，并判断 stop token。为什么：nucleus 采样控制生成多样性，stop 位掩码保证不覆盖 prompt。

# llama_models/llama4/generation.py if temperature > 0: probs = torch.softmax(logits[:, -1] / temperature, dim=-1) # 温度缩放 next_token = sample_top_p(probs, top_p) # nucleus 采样 else: next_token = torch.argmax(logits[:, -1], dim=-1) ... eos_reached |= (~input_text_mask[:, cur_pos]) & (torch.isin(next_token, stop_tokens))

量化环节，做了什么：BF16 权重在模型构建时加载，随后被原地替换为 FBGEMM 的 FP8 行级或 Int4 分组（128 一组）权重。为什么：激活保持 BF16 计算，权重减半到四分之，精度损失换显存。

# llama_models/quantize_impls.py def bmm_nt(x, w, num_tokens=None): if isinstance(w, Fp8ScaledWeights): xq, x_scale = torch.ops.fbgemm.quantize_fp8_per_row(x, num_tokens, w.activation_scale_ub) return torch.ops.fbgemm.f8f8bf16_rowwise_batched(xq, w.weight, x_scale, w.scale) elif isinstance(w, Int4ScaledWeights): return torch.ops.fbgemm.bf16i4bf16_rowwise_batched(x, w.weight, w.scale, torch.zeros_like(w.scale))

三条推理路径差异（以 Scout-17B-16E 为准，README 实测配置）：

路径	权重精度	最低配置	特点
纯 BF16	bf16	4×80GB	精度基准
fp8_mixed	FP8 行级	2×80GB	激活保持 BF16
int4_mixed	Int4 分组	1×80GB	group_size=128
视觉输入	bf16	4×80GB	<\|patch\|>占位换图像嵌入

Llama 2 到 Llama 4 演进：能力矩阵与 2 个转折点

能力	2	3	3.1	3.2-V	4
上下文	4K	8K	128K	128K	1M/10M
MoE	❌	❌	❌	❌	✅16E/128E
图像理解	❌	❌	❌	✅	✅原生
FP8/Int4 推理	❌	✅	✅	✅	✅
iRoPE/NoPE 层	❌	❌	❌	❌	✅

转折点在 2024-09：3.2-Vision 把视觉编码器内置进官方参考实现，而不是外挂；2025-04：Llama 4 用 MoE 加 iRoPE 把上下文从 128K 推到 10M，同时把单专家压到 17B 让量化部署可行。下图是仓库自带的视觉示例：两张图输入，模型输出融合两图内容的俳句。

最少 GPU 数量跑通 Llama 4 的最短路径

环境要求：

项	要求
Python	3.10+
GPU	NVIDIA；int4 单张 80GB，bf16 需 4×80GB
存储	≥120GB（Scout 权重）
依赖	torch + fbgemm-gpu-genai（量化必装）

# 1. 克隆并装 torch 依赖（含 fairscale/fbgemm） git clone https://gitcode.com/GitHub_Trending/ll/llama-models && cd llama-models pip install .[torch] # 2. 在官方站点接受协议后，用 CLI 下载权重 llama-model list --show-all # 查看模型 ID llama-model download --source meta --model-id Llama-4-Scout-17B-16E-Instruct # 3. 四卡 int4 混合精度跑 chat 示例 NGPUS=4 PYTHONPATH=$(git rev-parse --show-toplevel) torchrun --nproc_per_node=$NGPUS \ -m models.llama4.scripts.chat_completion ~/.llama/checkpoints/Llama-4-Scout-17B-16E-Instruct \ --world_size $NGPUS --quantization-mode int4_mixed

看到 "Loaded in X seconds" 后模型流式打印示例回答即成功。

现象	原因	解法
下载报 403 Forbidden	签名链接 24 小时过期	重新申请新链接
量化模式报错	fbgemm-gpu-genai 未装或架构不支持	改跑 bf16 或换 CUDA 环境
vocab_size 断言失败	权重目录不完整	llama-model verify-download校验后重下

llama-models vs Transformers vs vLLM 开源选型对比

维度	llama-models	Hugging Face Transformers	vLLM
模型覆盖	Llama 2/3 全系	Llama 2/3 全系+社区	以 Llama 为主
量化	FP8/Int4 原生	需 bitsandbytes 等外挂	内建多档
上下文	官方上限（10M）	受社区实现限制	视版本
服务框架	无（纯推理脚本）	无	内建高并发引擎
行为一致性	与官方评测一致	prompt 需手动对齐	采样/模板可能漂移

如果你要复现官方 benchmark 或核对量化行为，选 llama-models；如果你要在 5 分钟内跑通验证想法，选 Transformers；如果你要上生产扛并发，选 vLLM，llama-models 只用来当正确性基准。

边界与下一步：llama-models 目前不做什么

不擅长三点：仓库只有推理，没有任何训练与微调代码；Llama 4 全精度推理硬性要求 4×80GB，小显存只能走量化；FP8/Int4 依赖 fbgemm-gpu-genai，非 NVIDIA 平台基本跑不了量化路径。维护状态：包版本 0.2.0，Llama 4 于 2025-04-05 上架后仓库仍在滚动合入量化加载与 iRoPE 相关代码。按 models/llama4/USE_POLICY.md 的更新节奏与量化方案（Int4 已落地、FP8 已可用）推断，下一步大概率是更小的 group_size 量化与更多 3.2 视觉能力回填，而非训练侧。

【免费下载链接】llama-modelsUtilities intended for use with Llama models.项目地址: https://gitcode.com/GitHub_Trending/ll/llama-models