README.zh-CN.md

Important

bigdl-llm 现已更名为 ipex-llm (请参阅此处的迁移指南); 你可以在此处找到原始的 BigDL 项目。

---

Intel® LLM Library for PyTorch*

< English | 中文 >

ipex-llm 是一个将大语言模型高效地运行于 Intel GPU (如搭载集成显卡的个人电脑，Arc 独立显卡、Flex 及 Max 数据中心 GPU 等)、NPU 和 CPU 上的大模型 XPU 加速库¹。

Note

• 它构建在 llama.cpp, transformers, bitsandbytes, vLLM, qlora, AutoGPTQ, AutoAWQ 等优秀工作之上。
• 它可以与 llama.cpp, Ollama, HuggingFace transformers, LangChain, LlamaIndex, vLLM, Text-Generation-WebUI, DeepSpeed-AutoTP, FastChat, Axolotl, HuggingFace PEFT, HuggingFace TRL, AutoGen, ModeScope 等无缝衔接。
• 70+ 模型已经在 ipex-llm 上得到优化和验证（如 Llama, Phi, Mistral, Mixtral, Whisper, Qwen, MiniCPM, Qwen-VL, MiniCPM-V 等), 以获得先进的 大模型算法优化, XPU 加速 以及 低比特（FP8FP8/FP6/FP4/INT4) 支持；更多模型信息请参阅这里。

最新更新 🔥

• [2024/12] 新增在 Intel GPU 上运行 Ollama 0.4.6 的支持。
• [2024/12] 增加了对 Intel Core Ultra NPU（包括 100H，200V 和 200K 系列）的 Python 和 C++ 支持。
• [2024/11] 新增在 Intel Arc GPUs 上运行 vLLM 0.6.2 的支持。

更多更新

• [2024/07] 新增 Microsoft GraphRAG 的支持（使用运行在本地 Intel GPU 上的 LLM），详情参考快速入门指南。
• [2024/07] 全面增强了对多模态大模型的支持，包括 StableDiffusion, Phi-3-Vision, Qwen-VL，更多详情请点击这里。
• [2024/07] 新增 Intel GPU 上 FP6 的支持，详情参考更多数据类型样例。
• [2024/06] 新增对 Intel Core Ultra 处理器中 NPU 的实验性支持，详情参考相关示例。
• [2024/06] 增加了对流水线并行推理的全面支持，使得用两块或更多 Intel GPU（如 Arc）上运行 LLM 变得更容易。
• [2024/06] 新增在 Intel GPU 上运行 RAGFlow 的支持，详情参考快速入门指南。
• [2024/05] 新增 Axolotl 的支持，可以在 Intel GPU 上进行LLM微调，详情参考快速入门指南。
• [2024/05] 你可以使用 Docker images 很容易地运行 ipex-llm 推理、服务和微调。
• [2024/05] 你能够在 Windows 上仅使用 "one command" 来安装 ipex-llm。
• [2024/04] 你现在可以在 Intel GPU 上使用 ipex-llm 运行 Open WebUI ，详情参考快速入门指南。
• [2024/04] 你现在可以在 Intel GPU 上使用 ipex-llm 以及 llama.cpp 和 ollama 运行 Llama 3 ，详情参考快速入门指南。
• [2024/04] ipex-llm 现在在Intel GPU 和 CPU 上都支持 Llama 3 了。
• [2024/04] ipex-llm 现在提供 C++ 推理, 在 Intel GPU 上它可以用作运行 llama.cpp 和 ollama 的加速后端。
• [2024/03] bigdl-llm 现已更名为 ipex-llm (请参阅此处的迁移指南)，你可以在这里找到原始BigDL项目。
• [2024/02] ipex-llm 现在支持直接从 ModelScope (魔搭) loading 模型。
• [2024/02] ipex-llm 增加 INT2 的支持 (基于 llama.cpp IQ2 机制), 这使得在具有 16GB VRAM 的 Intel GPU 上运行大型 LLM（例如 Mixtral-8x7B）成为可能。
• [2024/02] 用户现在可以通过 Text-Generation-WebUI GUI 使用 ipex-llm。
• [2024/02] ipex-llm 现在支持 Self-Speculative Decoding，这使得在 Intel GPU 和 CPU 上为 FP16 和 BF16 推理带来 ~30% 加速 。
• [2024/02] ipex-llm 现在支持在 Intel GPU 上进行各种 LLM 微调(包括 LoRA, QLoRA, DPO, QA-LoRA 和 ReLoRA)。
• [2024/01] 使用 ipex-llm QLoRA，我们成功地在 8 个 Intel Max 1550 GPU 上使用 Standford-Alpaca 数据集分别对 LLaMA2-7B（21 分钟内）和 LLaMA2-70B（3.14 小时内）进行了微调，具体详情参阅博客。
• [2023/12] ipex-llm 现在支持 ReLoRA (具体内容请参阅 "ReLoRA: High-Rank Training Through Low-Rank Updates").
• [2023/12] ipex-llm 现在在 Intel GPU 和 CPU 上均支持 Mixtral-8x7B。
• [2023/12] ipex-llm 现在支持 QA-LoRA (具体内容请参阅 "QA-LoRA: Quantization-Aware Low-Rank Adaptation of Large Language Models").
• [2023/12] ipex-llm 现在在 Intel GPU 上支持 FP8 and FP4 inference。
• [2023/11] 初步支持直接将 GGUF，AWQ 和 GPTQ 模型加载到 ipex-llm 中。
• [2023/11] ipex-llm 现在在 Intel GPU 和 CPU 上都支持 vLLM continuous batching 。
• [2023/10] ipex-llm 现在在 Intel GPU 和 CPU 上均支持 QLoRA finetuning 。
• [2023/10] ipex-llm 现在在 Intel GPU 和 CPU 上都支持 FastChat serving 。
• [2023/09] ipex-llm 现在支持 Intel GPU (包括 iGPU, Arc, Flex 和 MAX)。
• [2023/09] ipex-llm 教程 已发布。

ipex-llm Demo

以下分别是使用 ipex-llm 在英特尔酷睿Ultra iGPU、酷睿Ultra NPU、单卡 Arc GPU 或双卡 Arc GPU 上运行本地 LLM 的 DEMO 演示，

Intel Core Ultra (Series 1) iGPU	Intel Core Ultra (Series 2) NPU	Intel Arc dGPU	2-Card Intel Arc dGPUs
Ollama (Mistral-7B Q4_K)	HuggingFace (Llama3.2-3B SYM_INT4)	TextGeneration-WebUI (Llama3-8B FP8)	FastChat (QWen1.5-32B FP6)

ipex-llm 性能

下图展示了在 Intel Core Ultra 和 Intel Arc GPU 上的 Token 生成速度¹（更多详情可点击 [2][3][4])。

如果需要自己进行 ipex-llm 性能基准测试，可参考基准测试指南。

模型准确率

部分模型的 Perplexity 结果如下所示（使用 Wikitext 数据集和此处的脚本进行测试)。

Perplexity	sym_int4	q4_k	fp6	fp8_e5m2	fp8_e4m3	fp16
Llama-2-7B-chat-hf	6.364	6.218	6.092	6.180	6.098	6.096
Mistral-7B-Instruct-v0.2	5.365	5.320	5.270	5.273	5.246	5.244
Baichuan2-7B-chat	6.734	6.727	6.527	6.539	6.488	6.508
Qwen1.5-7B-chat	8.865	8.816	8.557	8.846	8.530	8.607
Llama-3.1-8B-Instruct	6.705	6.566	6.338	6.383	6.325	6.267
gemma-2-9b-it	7.541	7.412	7.269	7.380	7.268	7.270
Baichuan2-13B-Chat	6.313	6.160	6.070	6.145	6.086	6.031
Llama-2-13b-chat-hf	5.449	5.422	5.341	5.384	5.332	5.329
Qwen1.5-14B-Chat	7.529	7.520	7.367	7.504	7.297	7.334

ipex-llm 快速入门

Docker

• GPU Inference in C++: 在 Intel GPU 上使用 ipex-llm 运行 llama.cpp, ollama等
• GPU Inference in Python : 在 Intel GPU 上使用 ipex-llm 运行 HuggingFace transformers, LangChain, LlamaIndex, ModelScope，等
• vLLM on GPU: 在 Intel GPU 上使用 ipex-llm 运行 vLLM 推理服务
• vLLM on CPU: 在 Intel CPU 上使用 ipex-llm 运行 vLLM 推理服务
• FastChat on GPU: 在 Intel GPU 上使用 ipex-llm 运行 FastChat 推理服务
• VSCode on GPU: 在 Intel GPU 上使用 VSCode 开发并运行基于 Python 的 ipex-llm 应用

使用

• NPU: 在 Intel NPU 上运行 ipex-llm（支持 Python 和 C++）
• llama.cpp: 在 Intel GPU 上运行 llama.cpp (使用 ipex-llm 的 C++ 接口)
• Ollama: 在 Intel GPU 上运行 ollama (使用 ipex-llm 的 C++ 接口)
• PyTorch/HuggingFace: 使用 Windows 和 Linux 在 Intel GPU 上运行 PyTorch、HuggingFace、LangChain、LlamaIndex 等 (使用 ipex-llm 的 Python 接口)
• vLLM: 在 Intel GPU 和 CPU 上使用 ipex-llm 运行 vLLM
• FastChat: 在 Intel GPU 和 CPU 上使用 ipex-llm 运行 FastChat 服务
• Serving on multiple Intel GPUs: 利用 DeepSpeed AutoTP 和 FastAPI 在 多个 Intel GPU 上运行 ipex-llm 推理服务
• Text-Generation-WebUI: 使用 ipex-llm 运行 oobabooga WebUI
• Axolotl: 使用 Axolotl 和 ipex-llm 进行 LLM 微调
• Benchmarking: 在 Intel GPU 和 CPU 上运行性能基准测试（延迟和吞吐量）

应用

• GraphRAG: 基于 ipex-llm 使用本地 LLM 运行 Microsoft 的 GraphRAG
• RAGFlow: 基于 ipex-llm 运行 RAGFlow (一个开源的 RAG 引擎)
• LangChain-Chatchat: 基于 ipex-llm 运行 LangChain-Chatchat (使用 RAG pipline 的知识问答库)
• Coding copilot: 基于 ipex-llm 运行 Continue (VSCode 里的编码智能助手)
• Open WebUI: 基于 ipex-llm 运行 Open WebUI
• PrivateGPT: 基于 ipex-llm 运行 PrivateGPT 与文档进行交互
• Dify platform: 在Dify(一款开源的大语言模型应用开发平台) 里接入 ipex-llm 加速本地 LLM

安装

• Windows GPU: 在带有 Intel GPU 的 Windows 系统上安装 ipex-llm
• Linux GPU: 在带有 Intel GPU 的Linux系统上安装 ipex-llm
• 更多内容, 请参考完整安装指南

代码示例

• 低比特推理

  • INT4 inference: 在 Intel GPU 和 CPU 上进行 INT4 LLM 推理
  • FP8/FP6/FP4 inference: 在 Intel GPU 上进行 FP8，FP6 和 FP4 LLM 推理
  • INT8 inference: 在 Intel GPU 和 CPU 上进行 INT8 LLM 推理
  • INT2 inference: 在 Intel GPU 上进行 INT2 LLM 推理 (基于 llama.cpp IQ2 机制)

• FP16/BF16 推理

  • 在 Intel GPU 上进行 FP16 LLM 推理（并使用 self-speculative decoding 优化）
  • 在 Intel CPU 上进行 BF16 LLM 推理（并使用 self-speculative decoding 优化）

• 分布式推理

  • 在 Intel GPU 上进行 流水线并行 推理
  • 在 Intel GPU 上进行 DeepSpeed AutoTP 推理

• 保存和加载

  • Low-bit models: 保存和加载 ipex-llm 低比特模型 (INT4/FP4/FP6/INT8/FP8/FP16/etc.)
  • GGUF: 直接将 GGUF 模型加载到 ipex-llm 中
  • AWQ: 直接将 AWQ 模型加载到 ipex-llm 中
  • GPTQ: 直接将 GPTQ 模型加载到 ipex-llm 中

• 微调

  • 在 Intel GPU 进行 LLM 微调，包括 LoRA，QLoRA，DPO，QA-LoRA 和 ReLoRA
  • 在 Intel CPU 进行 QLoRA 微调

• 与社区库集成

  • HuggingFace transformers
  • Standard PyTorch model
  • LangChain
  • LlamaIndex
  • DeepSpeed-AutoTP
  • Axolotl
  • HuggingFace PEFT
  • HuggingFace TRL
  • AutoGen
  • ModeScope
• 教程

API 文档

• HuggingFace Transformers 兼容的 API (Auto Classes)
• 适用于任意 Pytorch 模型的 API

FAQ

• 常见问题解答

模型验证

50+ 模型已经在 ipex-llm 上得到优化和验证，包括 LLaMA/LLaMA2, Mistral, Mixtral, Gemma, LLaVA, Whisper, ChatGLM2/ChatGLM3, Baichuan/Baichuan2, Qwen/Qwen-1.5, InternLM, 更多模型请参看下表，

模型	CPU 示例	GPU 示例	NPU 示例
LLaMA	link1, link2	link
LLaMA 2	link1, link2	link	Python link, C++ link
LLaMA 3	link	link	Python link, C++ link
LLaMA 3.1	link	link
LLaMA 3.2		link	Python link, C++ link
LLaMA 3.2-Vision		link
ChatGLM	link
ChatGLM2	link	link
ChatGLM3	link	link
GLM-4	link	link
GLM-4V	link	link
GLM-Edge		link	Python link
GLM-Edge-V		link
Mistral	link	link
Mixtral	link	link
Falcon	link	link
MPT	link	link
Dolly-v1	link	link
Dolly-v2	link	link
Replit Code	link	link
RedPajama	link1, link2
Phoenix	link1, link2
StarCoder	link1, link2	link
Baichuan	link	link
Baichuan2	link	link	Python link
InternLM	link	link
InternVL2		link
Qwen	link	link
Qwen1.5	link	link
Qwen2	link	link	Python link, C++ link
Qwen2.5		link	Python link, C++ link
Qwen-VL	link	link
Qwen2-VL		link
Qwen2-Audio		link
Aquila	link	link
Aquila2	link	link
MOSS	link
Whisper	link	link
Phi-1_5	link	link
Flan-t5	link	link
LLaVA	link	link
CodeLlama	link	link
Skywork	link
InternLM-XComposer	link
WizardCoder-Python	link
CodeShell	link
Fuyu	link
Distil-Whisper	link	link
Yi	link	link
BlueLM	link	link
Mamba	link	link
SOLAR	link	link
Phixtral	link	link
InternLM2	link	link
RWKV4		link
RWKV5		link
Bark	link	link
SpeechT5		link
DeepSeek-MoE	link
Ziya-Coding-34B-v1.0	link
Phi-2	link	link
Phi-3	link	link
Phi-3-vision	link	link
Yuan2	link	link
Gemma	link	link
Gemma2		link
DeciLM-7B	link	link
Deepseek	link	link
StableLM	link	link
CodeGemma	link	link
Command-R/cohere	link	link
CodeGeeX2	link	link
MiniCPM	link	link	Python link, C++ link
MiniCPM3		link
MiniCPM-V		link
MiniCPM-V-2	link	link
MiniCPM-Llama3-V-2_5		link	Python link
MiniCPM-V-2_6	link	link	Python link
StableDiffusion		link
Bce-Embedding-Base-V1			Python link
Speech_Paraformer-Large			Python link

官方支持

• 如果遇到问题，或者请求新功能支持，请提交 Github Issue 告诉我们
• 如果发现漏洞，请在 GitHub Security Advisory 提交漏洞报告

Footnotes

1. Performance varies by use, configuration and other factors. ipex-llm may not optimize to the same degree for non-Intel products. Learn more at www.Intel.com/PerformanceIndex ↩ ↩²