Skip to main content
Qualcomm AI Hub 提供了简化的工作流,可使用 Qualcomm GenerativeAI Inference Extensions(Genie)在 Qualcomm Dragonwing™ 产品上 准备和部署大语言模型(LLM)。 这种方法通过利用神经处理单元(NPU)和优化的二进制文件, 实现生成式 AI 模型的高效设备端执行。 下图展示了从准备到执行的高层 GenAI 模型工作流。 使用 AI Hub 从准备到执行的高层 GenAI 模型工作流 以下是使用 AI Hub 创建 LLM 模型二进制文件的步骤: 以下是 LLM 设备端部署的概述:
  1. 准备模型: a. 从 Hugging Face 或其他来源获取所需的 LLM(例如 Llama 3.x 系列)。 b. 使用 qai_hub_models Python 包导出模型。 此过程会:
    • 下载模型权重。
    • 将其上传到 AI Hub 进行编译。
    • 生成拆分为多个部分的 QNN 二进制文件,以便在 NPU 上执行。
    • 创建一个可部署的文件夹(genie_bundle),其中包含所有必需的资产(上下文二进制文件、配置、分词器)。
    AI Hub 将模型编译为针对 Qualcomm AI Runtime (QAIRT) SDK 优化的二进制文件:
    1. AI Hub 支持量化(通常内部为 4 位,不过为了兼容性,权重可能以 8 位存储)。
    2. 导出脚本负责将大型模型拆分为提示处理器和令牌生成器组件。
  2. 部署模型: 以下是部署过程的高层步骤。有关详细说明 和命令,请参阅 Run LLMs with Genie。 a. 在目标设备(Android、Windows、Linux)上安装 Qualcomm AI Runtime(QAIRT)SDK。 b. 将编译好的二进制文件和配置文件复制到设备上。 c. 使用 Qualcomm GenerativeAI Inference Extensions (Genie) CLI 工具 (例如 genie-t2t-run)或 Genie dialog API 进行推理。 d. 确保目标设备满足以下要求。本节中的步骤已在使用 Hexagon 架构 V73 的 QCS9100 上验证。
    • Hexagon 架构:v73 或更新版本
    • 所需 RAM:
      • 7B 模型需要 16 GB
      • 3B 模型约需 12 GB
  3. 使用与 Qualcomm AI Engine Direct 集成的 Genie API 在设备上运行模型:
    • Genie 管理多个二进制文件和执行顺序,以实现最佳的 NPU 利用率。

​
重要说明

  • AI Hub 优势
    • 自动处理模型编译、量化和拆分。
    • 提供预先优化的模型和自带模型(BYOM)支持。
  • Genie
    • 通过抽象复杂的执行步骤来简化推理。
    • 提供用于文本到文本和基于对话的交互的 API。
  • 定制
    • 导出流程默认使用 4 位量化以提高运行时效率。
    • 没有直接将权重存储为 4 位的选项;权重仍为 8 位,但在执行期间以 4 位加载。