一 LLama.cpp

LLama.cpp 支持x86，arm，gpu的編譯。

github下載llama.cpp

https://github.com/ggerganov/llama.cpp.git

2. gem5支持arm架構(gòu)比較好，所以我們使用編譯LLama.cpp。

以下是我對Makefile的修改

開始編譯：

make UNAME_M=aarch64

編譯會使用到aarch64-linux-gnu-gcc-10，編譯成功可以生成一個main 文件，這里我把main重命名成main_arm_backup了。

可以使用file main查看一下文件：

3. 下載一個大模型的model到llama.cpp/models的目錄下，這里我下載了llama-2-7b-chat.Q2_K.gguf。

這個模型2bit量化，跑起來不到3G的內(nèi)存。

GGML_TYPE_Q2_K - "type-1" 2-bit quantization in super-blocks containing 16 blocks, each block having 16 weight. Block scales and mins are quantized with 4 bits. This ends up effectively using 2.5625 bits per weight (bpw)

4.此時我們可以本地運行以下main和模型，我的prompt是How are you

./main -m ./models/llama-2-7b-chat.Q2_K.gguf -p "How are you"-n 16

下圖最下面一行就是模型自動生成的

二 gem5

gem5下載編譯好后，我們可以使用gem5.fast運行模型了。

build/ARM/gem5.fast

--outdir=./m5out/llm_9

./configs/example/se.py -c

$LLAMA_path/llama.cpp/main-arm

'--options=-m $LLAMA_path/llama-2-7b-chat.Q2_K.gguf -p Hi -n 16'

--cpu-type=ArmAtomicSimpleCPU --mem-size=8GB -n 8

此時我的prompt是Hi，預期是n=8，跑8核。

上圖是gem5運行大模型時生成的simout，我增加了AtomicCPU 運行指令數(shù)量的打印，這是在gem5的改動。

如果你下載的是gem5的源碼，那么現(xiàn)在運行起來應該只是最前面大模型的輸出。

模型的回答是Hi，I'm a30-year-old male, and 但是我預期的是8核，實際上運行起來：

可以看出來，實際上只跑起來4核，定位后發(fā)現(xiàn)，模型默認是4核，需要增加-t 8選項，即threadnumber設置成8，下面的紅色標注的command.

build/ARM/gem5.fast

--outdir=./m5out/llm_9

./configs/example/se.py -c

$LLAMA_path/llama.cpp/main-arm

'--options=-m$LLAMA_path/llama-2-7b-chat.Q2_K.gguf -p Hi -n 16 -t 8'

--cpu-type=ArmAtomicSimpleCPU --mem-size=8GB -n8

如上圖所示，8核都跑起來了，處理到Hi這個token的時候，CPU0執(zhí)行了2.9 Billion指令，相對于4核時的5.4 Billion約減少了一半。

審核編輯：劉清