概述
本文使用chatglm.cpp对中文大语言模型（LLM）进行量化与推理，支持ChatGLM2-6B、Baichuan2-13B-Chat等模型在CPU环境16G内存的个人电脑上部署，实现类似ChatGPT的聊天功能。支持的操作系统包括Windows、Mac OS、Linux等。
其中，量化过程需要临时使用一台内存较大的服务器。4bit量化后的模型较小（Baichuan2-13B量化后约8G），可在16G内存的个人电脑上部署。过程中还需要从github下载代码，从huggingface下载模型。
本文使用的chatglm.cpp版本为0.2.6，后续版本的命令可能有变化，请以readme为准。
接下来先介绍相关背景，而后以Baichuan2-13B-Chat为例介绍部署过程。
背景
大语言模型（LLM）是计算机领域今年的一大研究热点。一些AI公司相继推出了开源的中文LLM，使广大用户得以自由体验LLM的强大功能。
然而，LLM的部署对硬件资源有较高要求。对于不愿花钱租用服务器的用户而言，如何在个人电脑上进行本地化部署，成为了一大难题。
以16G内存、英伟达显卡4G显存的家用电脑为例。目前效果较好的中文LLM，参数量至少为6B或7B规模，例如ChatGLM2-6B与Baichuan2-7B-Chat。这样规模的模型无法完整放入16G内存进行推理，只能offload到硬盘，速度极慢，且对硬盘有损伤。若使用4bit量化的模型，则无法完整放入4G显存运行，目前也没有现成的代码能将其offload到内存。因此，只能考虑完全在CPU内存环境运行4bit量化模型。
对于ChatGLM2，其量化方式支持用CPU版PyTorch运行int4版本的模型，但速度较慢。对于Baichuan2，其提供的int4版本采用bitsandbytes库进行量化，目前没有找到在CPU环境运行的方法。对于一般用户而言，自行编写相关代码有很大难度。
所幸，基于C语言的GGML张量库提供了在CPU环境高速运行量化版模型的机会，而基于GGML的开源代码库chatglm.cpp提供了对ChatGLM2-6B、Baichuan2-13B-Chat等模型的4bit量化支持。对于Baichuan2模型，虽然暂不支持7B版本，但13B量化后也只有约8G，对于16G内存的个人电脑而言完全可以接受。
利用chatglm.cpp，用户可在16G内存的个人电脑上部署ChatGLM2-6B、Baichuan2-13B-Chat等中文LLM推理，实现类似ChatGPT的聊天功能。下文将以Baichuan2-13B-Chat模型为例，介绍如何用chatglm.cpp进行本地部署。ChatGLM2-6B的部署方式也是基本相同的，因此不再赘述。
步骤1-量化
首先，需要对Baichuan2-13B-Chat模型进行4bit量化。不能直接使用百川提供的int4版本。如果没有现成的GGML版4bit量化模型，就只能自己做量化。
即使不想采用量化，为了兼容chatglm.cpp，也需要将原模型转为GGML版本。
量化前的模型约28G，量化后约8G，因此需要临时使用一台内存较大的服务器。
环境与文件准备
在服务器上安装Python环境，例如使用Anaconda，安装过程请参考其他文章。本文使用的Python版本为3.9。
从Github上克隆chatglm.cpp，方法参考readme，即运行以下命令：
git clone --recursive https://github.com/li-plus/chatglm.cpp.git
如果服务器能连接huggingface，就不需要自己下载模型。否则，就需要自行从huggingface下载Baichuan2-13B-Chat模型，只能是以下版本：
https://huggingface.co/baichuan-inc/Baichuan2-13B-Chat/tree/main
下载以上链接的所有文件即可。
执行量化
将前述文件全部放至大内存服务器，然后就可以生成4bit量化的GGML版模型了。
进入 chatglm.cpp 目录，参考readme执行以下命令：
python chatglm_cpp/convert.py -i baichuan-inc/Baichuan2-13B-Chat -t q4_0 -o baichuan2-13b-chat-ggml-int4.bin
如果是自行下载的模型，就将 baichuan-inc/Baichuan2-13B-Chat 替换为模型所在的目录。
提示有缺的库就安装一下。其中pytorch要参考官网的安装方式。
最终得到的 baichuan2-13b-chat-ggml-int4.bin 就是本地化部署所需的模型文件，文件名称可以任意修改。
步骤2-本地部署
本地部署需要至少16G内存，不需要使用GPU。可以在配置较好的个人电脑上进行部署。
环境与文件准备
将上一步得到的模型文件保存到本地。
安装Python环境，建议使用Anaconda。本文使用的Python版本为3.9。
chatglm.cpp是基于GGML的，不需要安装PyTorch。
安装chatglm-cpp库，过程中需要用到 cmake 和 g++ 。MAC电脑需要先自行配置安装这些软件，然后运行以下命令：
pip install -U chatglm-cpp
Windows和Linux可以用相同的方法，但在Windows上容易报错。一种替代的方法是直接下载whl安装包：
https://github.com/cczhong11/chatglm.cpp/actions/runs/6161193495
在已登录Github的状态下，单击下方 linux-wheels 或 windows-wheels 即可下载对应操作系统的whl安装包。解压后可以看到多个whl文件，要选择对应的Python版本，例如 cp39 对应的是Python 3.9。
之后执行以下命令安装（Windows系统）：
pip install chatglm_cpp-0.2.6-cp39-cp39-win_amd64.whl
这样就不需要安装 cmake 和 g++ 了。
chatglm.cpp提供的web demo可以实现类似ChatGPT的聊天功能，为此还需安装gradio：
pip install gradio
如果网速过慢，可以使用镜像
pip install pytest -i http://mirrors.aliyun.com/pypi/simple/ --trusted-host mirrors.aliyun.com
web demo的代码在chatglm.cpp的 examples/web_demo.py ，将这个代码单独拿出来使用即可。
运行web demo
将 web_demo.py 和模型文件放在同一目录下，执行：
python web_demo.py -m baichuan2-13b-chat-ggml-int4.bin --top_k 5 --top_p 0.85 --temp 0.3 --repeat_penalty 1.05
在弹出的网页中可以进行聊天对话。该过程不需要连接互联网。
如果希望局域网的其他设备访问该网页，则需要修改 web_demo.py 。
先在开头添加以下代码：
import os
os.environ['no_proxy']='localhost,127.0.0.1,::1'
再修改最后一行为：
demo.queue().launch(server_name='0.0.0.0', server_port=7860)
这样启动后，即可在其他设备上用浏览器进行访问。端口号可以自行定义。
以上就是用16G内存+CPU本地部署ChatGLM2/Baichuan2推理的方法介绍，希望能帮助到有相关需求的人。