ExllamaLlama HF 转换器重写

Exllama 是对 Llama 的 HF 转换器实现进行更高效的内存重写，以用于量化权重。

• 设计用于量化权重
• 快速且节省内存的推理（不仅仅是注意力）
• 跨多个设备映射
• 内置（多）LoRA 支持
• funky 采样函数的配套库

注意，该项目处于概念验证&预览阶段，可能发生大型变更。

硬件/软件要求

作者在 RTX 4090 和 RTX 3070-Ti 上进行开发。两种卡都支持 CUDA 内核，但可能与旧卡不兼容。

作者没有更低的显卡，所以不知道老显卡行不行。

另外，不知道这是否适用于 Windows/WSL。

依赖关系

此列表可能不完整：

• torch使用 cu118 在 2.1.0（nightly）上进行测试，也可能适用于较旧的 CUDA 版本
• safetensors0.3.1
• sentencepiece
• ninja

限制

截至目前（正在处理）：

• 不支持没有 groupsize 的 v1 模型
• 遇到过具有非标准布局和数据类型的模型（例如 float32 嵌入表）。确保支持所有可能的排列需要一段时间。