Local-LLMs est un projet répertiorant les informations nécessaires pour permettre l'exécution de modèles de langage à grande échelle (LLMs) en local avec llama_cpp_python, utilisant les GPUs sous MacOS (avec puce Silicon) et Linux (avec support CUDA). Ce projet comprend deux notebooks Jupyter principaux :
- Local_LLM_Linux_CUDA.ipynb - Pour les utilisateurs Linux avec support CUDA (fonctionne sur google colab).
- Local_LLM_MacOS_Silicon.ipynb - Pour les utilisateurs MacOS avec puce Silicon.
- Utilisation du GPU pour une inférence rapide : Profitez de la puissance de votre GPU pour accélérer l'inférence.
- Compatibilité avec divers modèles : La capacité à exécuter des modèles dépend de la quantité de RAM (sur Mac) ou de VRAM (sur systèmes Linux).
- Installation simplifiée : Les notebooks sont auto-suffisants et gèrent l'installation des dépendances nécessaires.
Nous utilisons des modèles quantifiés (de 2 à 8 bits), offrant un compromis entre précision et efficacité en termes de ressources. Bien que légèrement moins précis que les modèles non quantifiés, ils demandent moins de ressources pour fonctionner.
Les modèles sont disponibles sur Huggingface, en particulier via le compte TheBloke qui propose près de 3000 modèles quantifiés : Huggingface/TheBloke.
- Llama 2 (Facebook) : 7, 13, 70 milliards de paramètres.
- CodeLlama (Facebook) : 7, 13, 34 milliards de paramètres.
- Falcon (Arabie Saoudite) : 7, 40, 180 milliards de paramètres.
- Mistral (France - startup Mistral) : 7 milliards de paramètres.
Ces modèles existent en plusieurs versions finetuned adaptées à divers usages (Instruct, Orca, OpenHermes, etc.).
Nous nous concentrons sur les modèles quantifiés selon la méthode GGUF, qui est le format de quantification développé par llama-cpp, parmi d'autres méthodes telles que GPTQ et AWQ.
Le template de prompt pour chaque modèle est disponible dans la description du modèle sur Huggingface/TheBloke ou dans la documentation du modèle non quantifié sur Hugging Face.
TheBloke fournit une évaluation de chaque modèle quantifié, ainsi que des conseils d'utilisation basés sur les ressources disponibles (RAM/VRAM, taille du modèle, perte de qualité due à la quantification).
Il est conseillé de créer un environnement virtuel pour une gestion plus aisée des dépendances :
python -m venv venv
source venv/bin/activate
- Ce projet ne prend pas en compte les systèmes Windows : l'installation de llama_cpp_python diffère quelque peu (voir la documentation de la bibliothèque).
- La performance et la compatibilité des modèles dépendent fortement de la configuration matérielle de l'utilisateur.
Sinon, si vous préfèrez les interfaces, vous pouvez utilisez LMStudio. Un logiciel spécialement conçu pour l'utilisation des LLMs open-source quantifié présents sur Huggingface (fonctionne sur MacOS Silicon, Windows and Linux).