在 Windows 电脑上快速运行 AI 大语言模型 -Llama3

概述

近期 Meta 发布了最新的 Llama3 模型，并开源了开源代码。Meta Llama 3 现已推出 8B 和 70B 预训练和指令调整版本，可支持广泛的应用程序。

并且 Llama 3 在语言细微差别、上下文理解和翻译和对话生成等复杂任务方面表现出色。

我们可以在 Windows 上快速运行 Llama3 8B 模型。

📝Notes

郑重声明: 本文几乎没有任何原创内容, 主要资料都来自于网上, 笔者只是总结自己实际可以运行起来的详细步骤, 供各位读者参考.
另外, 笔者的水平有限, 欢迎大家提出改进意见. 目前可以快速在 Windows 上运行 AI 模型的方法还有几个, 包括不限于:

• Llmafile
• Chat With RTX | Nvidia
• WSL2 + WASMEdge

受限于个人经验, 提供提供使用: WSL+ WASMEdge 的实战方案.

📚️参考资料

• Llama3
• 有人说开源模型会越来越落后，来试试 Llama 3 吧 | LlamaEdge | Second State
• How to install Linux on Windows with WSL
• CUDA on WSL User Guide

技术栈

1. Llama3
2. LlamaEdge + WASMEdge
3. NVIDIA 显卡驱动 + CUDA
4. WSL2

前提条件

1. Windows 10/11 系统
2. 硬件: NVIDIA 显卡(具体型号要求不确定, 应该是可以运行 CUDA 的都可以; 我的 2060 实战没有问题)

相关概念

Llama 3

模型性能

• Meta 发布了新一代语言模型 Llama 3，包括 8B 和 70B 参数的预训练和指令微调模型。
• Llama 3 在广泛的行业基准上展示了最先进的性能，并提供了新的功能，包括改进的推理能力。
• Llama 3 模型在标准基准上的性能优于其他同等规模的模型，并且针对真实世界场景进行了优化。

模型架构

• Llama 3 使用了改进的解码器 -only transformer 架构，并采用了分组查询注意力（GQA）来提高推理效率。
• Llama 3 在超过 15T 个标记上进行了预训练，训练数据集是 Llama 2 的七倍，并且包含更多代码。
• Llama 3 使用了各种数据过滤管道来确保训练数据的质量，包括启发式过滤器、NSFW 过滤器、语义去重方法和文本分类器。
• Llama 3 使用了详细的缩放定律来扩展预训练，并对训练数据进行了最佳组合的选择。

指令微调

• Llama 3 在指令微调方面进行了创新，包括监督微调（SFT）、拒绝采样、近端策略优化（PPO）和直接策略优化（DPO）。

可用性

• Llama 3 将很快在所有主要平台上提供，包括云提供商、模型 API 提供商等等。Llama 3 将无处不在。

未来计划

• Llama 3 8B 和 70B 模型标志着 Meta 计划为 Llama 3 发布的内容的开始。还有更多内容即将推出。Meta 最大模型的参数超过 400B，虽然这些模型仍在训练中，但团队对它们的趋势感到兴奋。

• 在接下来的几个月里，Meta 将发布多个具有新功能的模型，包括多模态、使用多种语言进行对话的能力、更长的上下文窗口和更强的整体能力。一旦完成 Llama 3 的训练，Meta 还会发布详细的研究论文。

LlamaEdge

• LlamaEdge 项目可以轻松地在本地运行 LLM 推理应用程序并创建适用于 Llama2-3 系列 LLM 的 OpenAI 兼容 API 服务。

• LlamaEdge 使用 Rust+Wasm 栈，提供了比 Python 更强大的 AI 推理替代方案。

• LlamaEdge 支持所有基于 llama2-3 框架的大语言模型 (LLM)，模型文件必须采用 GGUF 格式。

• 编译后的 Wasm 文件是跨平台的，可以在不同的操作系统、CPU 和 GPU 上运行相同的 Wasm 文件。

• LlamaEdge 提供了详细的故障排除指南，帮助用户解决常见问题。

WASMEdge

WasmEdge 简介

• WasmEdge 运行时提供了一个定义良好的执行沙箱，用于包含的 WebAssembly 字节码程序。

• WasmEdge 可以运行从 C/C++、Rust、Swift、AssemblyScript 或 Kotlin 源代码编译的标准 WebAssembly 字节码程序。

• WasmEdge 支持所有标准的 WebAssembly 特性，以及许多提议的扩展。

• WasmEdge 还支持一些针对云原生和边缘计算用途的扩展（例如，WasmEdge 网络套接字、基于 Postgres 和 MySQL 的数据库驱动程序，以及 WasmEdge AI 扩展）。

• WasmEdge 可以从 CLI 作为新进程启动，也可以从现有进程启动。

• WasmEdge 目前还不是线程安全的。

• WasmEdge 可以与 Go、Rust 或 C 应用程序集成。

• WasmEdge 项目是开源的，欢迎大家参与贡献。

• WasmEdge 社区每月举行一次社区会议，展示新特性、演示新用例并进行问答。

这里也提一下 WASMEdge 的优势, 在 2024 KubeCon NA 上, WASMEdge 重点强调了其优势所在:

• 与 Java 不同，Wasm 在云原生领域有独特的优势，尤其是在 GPU 上运行 AI 应用方面。
• 目前，构建 AI 应用通常需要使用 API 服务器、大型语言模型、编排框架等组件，整个过程更偏向于研究，难以实现紧密集成和高安全性。
• WASMEdge 旨在构建更紧凑的应用程序服务器，将提示工程、RAG 框架等功能集成到应用程序服务器中，并通过 Kubernetes 进行编排。
• WASMEdge 与 W3C 合作定义了名为 WASI Neural Network 的新抽象层，将 GPU 访问或 AI 推理原语定义为字节码级别的 API。
• 开发者只需针对 WASI API 编写应用程序并编译成字节码，即可在任何支持 WASM 的设备上部署和运行，无需重新编译。
• WASMEdge 提供在线演示，参会者可以在自己的笔记本电脑上安装 WASM 并下载大型语言模型，无需网络连接即可与大型语言模型进行交互，验证其跨平台的可移植性

感兴趣的可以观看这个视频: WasmEdge, portable and lightweight runtime for AI/LLM workloads | Project Lightning Talk

NVIDIA CUDA

• CUDA 计算平台不仅仅是一种编程模型，它还包括 GPU 计算架构中数以千计的通用计算处理器、许多流行语言的并行计算扩展、强大的即插即用加速库，以及交钥匙应用程序和基于云的计算设备。

• CUDA 不仅限于流行的 CUDA Toolkit 和 CUDA C/C++ 编程语言。

• 自 2006 年推出以来，CUDA 已被广泛部署在数千个应用程序和已发表的研究论文中，并得到超过 5 亿个笔记本电脑、工作站、计算集群和超级计算机中安装的 CUDA 兼容 GPU 的支持。

• 许多研究人员和开发人员使用 CUDA 平台来推动其工作的最新进展，请在 CUDA In Action Spotlight 系列中阅读他们的部分故事。

• 放入一个 GPU 加速库来替换或增强仅限 CPU 的库，例如 MKL BLAS、IPP、FFTW 和其他广泛使用的库

• 使用 OpenACC 指令自动并行化 Fortran 或 C 代码中的循环以进行加速

• 使用熟悉的编程语言（如 C、C++、C#、Fortran、Java、Python 等）开发自定义并行算法和库 立即开始加速您的应用程序。

WSL(Windows Subsystem for Linux)

• Windows Subsystem for Linux (WSL) 是 Microsoft Windows 的一项功能，允许开发人员运行 Linux 环境，而无需单独的虚拟机或双启动。WSL 有两个版本：WSL 1 和 WSL 2。

• 默认情况下，并非所有 Windows 10 用户都能使用 WSL。它可以通过加入 Windows Insider 计划或通过 Microsoft Store 或 Winget 手动安装。

• WSL 1 于 2016 年 8 月 2 日首次发布，通过在 Windows 内核上实现 Linux 系统调用，作为运行 Linux 二进制可执行文件（ELF 格式）的兼容层。它适用于 Windows 10、Windows 10 LTSB/LTSC、Windows 11、Windows Server 2016、Windows Server 2019 和 Windows Server 2022。

• 2019 年 5 月，WSL 2 发布，通过 Hyper-V 功能子集引入了真正的 Linux 内核等重要变化。WSL 2 与 WSL 1 的不同之处在于，WSL 2 运行在托管虚拟机内，该虚拟机实现了完整的 Linux 内核。因此，WSL 2 比 WSL 1 兼容更多 Linux 二进制程序，因为 WSL 1 中并未实现所有系统调用。自 2019 年 6 月起，Windows 10 客户可通过 Windows Insider 计划使用 WSL 2，包括家庭版。

具体步骤

1. 安装 NVIDIA Windows 最新版本显卡驱动

步骤略.

2. 安装 WSL

📚️Reference

How to install Linux on Windows with WSL

前提

您必须运行 Windows 10 版本 2004 和更高版本（Build 19041 和更高版本）或 Windows 11 才能使用下面的命令。

1. 启动您喜欢的 Windows 终端 / 命令提示符 / Powershell 并安装 WSL：

   wsl.exe --install

2. 确保你有最新的 WSL 内核：

   wsl.exe --update

3. WSL Ubuntu 安装 CUDA Toolkit

📚️Reference

CUDA Toolkit 12.4 Update 1 Downloads

进入 WSL Ubuntu, 使用如下命令安装 CUDA Toolkit

wget https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/x86_64/cuda-wsl-ubuntu.pin
sudo mv cuda-wsl-ubuntu.pin /etc/apt/preferences.d/cuda-repository-pin-600
wget https://developer.download.nvidia.com/compute/cuda/12.4.1/local_installers/cuda-repo-wsl-ubuntu-12-4-local_12.4.1-1_amd64.deb
sudo dpkg -i cuda-repo-wsl-ubuntu-12-4-local_12.4.1-1_amd64.deb
sudo cp /var/cuda-repo-wsl-ubuntu-12-4-local/cuda-*-keyring.gpg /usr/share/keyrings/
sudo apt-get update
sudo apt-get -y install cuda-toolkit-12-4

4. 使用 LlamaEdge + WasmEdge 运行本地 AI 大语言模型 - Llama3

📚️References

• 有人说开源模型会越来越落后，来试试 Llama 3 吧 | LlamaEdge | Second State

以下为原文摘录:
通过这篇文章，你将能够在自己的电脑上使用 LlamaEdge[2]（Rust + Wasm 堆栈）开发和部署 Llama-3-8B 的应用程序。无需安装复杂的 Python 包或 C++ 工具链！查看为什么选择这个技术栈。

如果你想要快速开始，只需要在终端运行下面的命令行，这个命令行工具会帮你自动下载所需的软件：LLM runtime, Llama-3-8B 模型，以及 LLM 推理程序。

bash <(curl -sSfL 'https://raw.githubusercontent.com/LlamaEdge/LlamaEdge/main/run-llm.sh') --model llama-3-8b-instruct

🐾Warning

友情提示, 执行这一步之前请确保 网络畅通.

执行结果如下:

[+] Downloading the selected model from https://huggingface.co/second-state/Llama-3-8B-Instruct-GGUF/resolve/main/Meta-Llama-3-8B-Instruct.Q5_K_M.gguf
######################################################################################################### 100.0%
[+] Extracting prompt type: llama-3-chat
[+] No reverse prompt required
[+] Install WasmEdge with wasi-nn_ggml plugin ...

Using Python: /home/casey/.pyenv/shims/python3
INFO    - CUDA detected via nvcc
WARNING - Experimental Option Selected: plugins
WARNING - plugins option may change later
INFO    - Compatible with current configuration
INFO    - Running Uninstaller
WARNING - Uninstaller did not find previous installation
WARNING - SHELL variable not found. Using zsh as SHELL
INFO    - shell configuration updated
INFO    - Downloading WasmEdge
|============================================================|100.00 %INFO    - Downloaded
INFO    - Installing WasmEdge
INFO    - WasmEdge Successfully installed
INFO    - Downloading Plugin: wasi_nn-ggml-cuda
|============================================================|100.00 %INFO    - Downloaded
INFO    - Downloading Plugin: wasmedge_rustls
|============================================================|100.00 %INFO    - Downloaded
INFO    - Run:
source /home/casey/.zshrc

    The WasmEdge Runtime is installed in /home/casey/.wasmedge/bin/wasmedge.


[+] Downloading the latest llama-api-server.wasm ...
  % Total    % Received % Xferd  Average Speed   Time    Time     Time  Current
                                 Dload  Upload   Total   Spent    Left  Speed
  0     0    0     0    0     0      0      0 --:--:-- --:--:-- --:--:--     0
  0     0    0     0    0     0      0      0 --:--:-- --:--:-- --:--:--     0
100 8070k  100 8070k    0     0  2575k      0  0:00:03  0:00:03 --:--:-- 7030k

[+] Downloading Chatbot web app ...
  % Total    % Received % Xferd  Average Speed   Time    Time     Time  Current
                                 Dload  Upload   Total   Spent    Left  Speed
  0     0    0     0    0     0      0      0 --:--:-- --:--:-- --:--:--     0
  0     0    0     0    0     0      0      0 --:--:--  0:00:01 --:--:--     0
  0     0    0     0    0     0      0      0 --:--:--  0:00:01 --:--:--     0
100 1721k  100 1721k    0     0   703k      0  0:00:02  0:00:02 --:--:-- 10.2M


[+] Will run the following command to start the server:

    wasmedge --dir .:. --nn-preload default:GGML:AUTO:Meta-Llama-3-8B-Instruct.Q5_K_M.gguf llama-api-server.wasm --prompt-template llama-3-chat --model-name Meta-Llama-3-8B-Instruct.Q5_K_M.gguf --socket-addr 0.0.0.0:8080 --log-prompts --log-stat

    Chatbot web app can be accessed at http://0.0.0.0:8080 after the server is started


*********************************** LlamaEdge API Server ********************************

[2024-04-19 23:54:06.043] [error] instantiation failed: module name conflict, Code: 0x60
[2024-04-19 23:54:06.043] [error]     At AST node: module

[INFO] LlamaEdge version: 0.8.3
[INFO] Model name: Llama-3-8B
[INFO] Model alias: default
[INFO] Context size: 4096
[INFO] Prompt template: llama-3-chat
[INFO] Number of tokens to predict: 1024
[INFO] Number of layers to run on the GPU: 100
[INFO] Batch size for prompt processing: 512
[INFO] Temperature for sampling: 1
[INFO] Top-p sampling (1.0 = disabled): 1
[INFO] Penalize repeat sequence of tokens: 1.1
[INFO] Presence penalty (0.0 = disabled): 0
[INFO] Frequency penalty (0.0 = disabled): 0
[INFO] Enable prompt log: false
[INFO] Enable plugin log: false
[INFO] Socket address: 0.0.0.0:8080
ggml_cuda_init: GGML_CUDA_FORCE_MMQ:   no
ggml_cuda_init: CUDA_USE_TENSOR_CORES: yes
ggml_cuda_init: found 1 CUDA devices:
  Device 0: NVIDIA GeForce RTX 2060, compute capability 7.5, VMM: yes
[INFO] Wasi-nn-ggml plugin: b2636 (commit 5dc9dd71)
[INFO] LlamaEdge API server listening on http://0.0.0.0:8080

如果一键执行报错, 也可以分步执行, 具体见原文.

🎉🎉🎉至此, Llama3 已经成功在本地运行.🎉🎉🎉

我们可以通过: http://localhost:8080 进行访问.

效果

从上图可以看到, Llama3 已经成功在本地运行. 使用上和在线的 ChatGPT 一样.

另外, 在运行过程中, 通过 Windows 上的 Task Manager 可以看到, GPU 的负载已经达到 100%:

另外, 我们可以结合其提供的兼容 OpenAI 的 API, 实现更多丰富场景:

• 直接调用 API

  curl -X POST http://localhost:8080/v1/chat/completions \
    -H 'accept:application/json' \
    -H 'Content-Type: application/json' \
    -d '{"messages":[{"role":"system", "content": "You are a sentient, superintelligent artificial general intelligence, here to teach and assist me."}, {"role":"user", "content": "Write a short story about Goku discovering kirby has teamed up with Majin Buu to destroy the world."}], "model":"Llama-3-8B"}'

• 和各类支持设置 AI API Server 地址的客户端联动, 如:

  • Obsidian Text Generator Plugin
  • 沉浸式翻译
  • 各类 ChatGPT 相关的浏览器插件等
  • 各类 ChatGPT 桌面应用等

实现丰富的 AI 场景应用.

总结

本文介绍了在 Windows 上快速运行本地 AI 大语言模型 - Llama3 的实战步骤, 通过利用: WSL + WasmEdge + LlamaEdge 快速实现.
易上手, 门槛低.
感兴趣的可以试试.

也感谢 WSL、NVIDIA、CUDA、WASMEdge、Llama3 给我们带来的便利.