模型显存使用量计算

为了更好规划显存使用， Xinference 提供了计算模型显存使用量的工具：cal-model-mem

算法来自：RahulSChand/gpu_poor

输出：model_mem, kv_cache, recurrent_state_mem, prefix_cache_mem, overhead, active_mem

总量包含循环状态和保留前缀缓存。存在视觉工作区时，它已计入激活内存，不会再单独相加。滑窗注意力使用完整注意力缓存作为上界。布局不受支持或缺少检查点大小信息时，命令会给出说明性错误，不提供估算。

示例：计算 qwen1.5-chat 模型的显存用量，可以运行以下示例指令：

CommandOutput

xinference cal-model-mem -s 7 -q Int4 -f gptq -c 16384 -n qwen1.5-chat

语法

• --size-in-billions {model_size}

  • -s {model_size}

  设置模型大小。以十亿个参数为单位指定模型大小。参数格式接受形式如 1_8 和 1.8. 例如，7 表示 7.0B 的模型大小。

• --quantization {precision}

  • -q {precision} (可选)

  指定模型的量化配置。例如：Int4 参数表示使用 INT4 量化。

• --model-name {model_name}

  • -n {model_name} (可选)

  指定模型名称。如果提供此参数，将从 huggingface/modelscope 中获取模型配置；如果没有指定，将使用默认的 layer 参数粗略估计。

• --context-length {context_length}

  • -c {context_length}

  指定模型的最大上下文长度。

• --model-format {format}

  • -f {format}

  指定模型的格式，例如：pytorch, ggmlv3, etc.

备注

利用环境变量 HF_ENDPOINT 可设置 HuggingFace 服务器的 Endpoint。例如，当网络不佳时可以选择 hf-mirror 作为 Endpoint. 更多请参考 此文档