背景

在之前我们通过使用千问的公网在线API，实现了对大模型的调用。但出于对数据安全与隐私保护、网络稳定性、定制化需求、知识产权保护、自主可控性、业务连续性以及成本效益等多方面的考虑，在有些场景下，需要使用一些已经训练好的基模进行本地化部署。通过本地化部署，可以更好地满足自身特定需求，确保业务的合法、稳定、连续运行，并提高对模型的掌控能力。

这篇文章中，我们通过将模搭社区开源的大模型部署到本地，并实现简单的对话和RAG。

开发框架介绍

ModelScope Library

ModelScope Library是魔搭社区提供的一个能够快速、方便的使用社区提供的各类模型的Python library，其中包含了ModelScope官方模型的实现，以及使用这些模型进行推理，finetune等任务所需的数据预处理，后处理，效果评估等功能相关的代码，同时也提供了简单易用的API，以及丰富的使用样例。通过调用library，用户可以只写短短的几行代码，就可以完成模型的推理、训练和评估等任务，也可以在此基础上快速进行二次开发，实现自己的创新想法。本文中我们使用这个库进行模型的加载。

ModelScope Library支持的模型不光局限于huggingface的transformers架构类的模型，并且社区提供大量的中文大语言模型，更适合我们在国内下载，也方便学习及使用。

环境准备

1. 环境检查

本地实验环境：

系统：Win11

显卡：1070（8G显存）

首先更新显卡驱动到最新版本，可以去官网下载或者直接在NVIDIA Geforce Experience中直接更新驱动到最新版本，新版本的驱动向下兼容更多版本的CUDA。

2602853f-d372-40bd-93c1-8d0cfa83037f[1].png

查看显卡驱动支持的CUDA的最高版本，小于等于此版本的CUDA均可以使用。CMD或powershell中执行如下命令：

nvidia-smi

efd1e479-110f-4f22-89b1-94af213fb38c[1].png

在https://pytorch.org/查看当前最新版PyTorch支持最低Python版本为3.8，支持CUDA的11.8和12.1版本，后面我们选择安装12.1版本。

bec05a5a-5556-43cb-ab28-a73e3c74463f[1].png

最终生成的命令可以拷贝出来，下文需要使用。

2. 安装CUDA 12.1（可选）

此步骤可选，不安装的话后面Torch会自动安装

下载地址：

https://developer.nvidia.com/cuda-12-1-1-download-archive

04c4e130-6ccf-4ea4-bb3e-671dc13f6689[1].png

下载完成后直接安装即可，如果已经安装需要先卸载后再装。

3. 安装conda

conda可以用来管理Python环境，后面我们会使用conda创建一个Python3.10的运行环境。

下载地址：

https://www.anaconda.com/download

安装完成后，为了能在命令行中使用，需要将conda的相关目录加入环境变量，例如安装在D:\developer\anaconda，则需要将以下目录添加到PATH中：

D:\developer\anaconda
D:\developer\anaconda\Scripts
D:\developer\anaconda\Library\bin
D:\developer\anaconda\Library\mingw-w64\bin

打开powershell，执行conda init初始化conda的powershell和cmd环境，linux下会初始化bash环境，初始化后方便进入conda创建的Python环境。

4. 使用conda创建PyTorch环境

我们使用conda创建一个Python版本为3.10的Python运行环境，在命令行中执行如下命令：

conda create -n pytorch python=3.10
conda activate pytorch

使用上文中安装PyTorch的命令安装PyTorch

conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia

5. 下载模型

我们可以去模搭社区获取模型，国内的地址，下载速度快，不需要魔法可以直接访问。

模型库地址：https://modelscope.cn/models

这里使用Qwen1.5-0.5B-Chat这个对话模型进行体验，模型较小，占用内存少，生成速度快。

模型地址：

https://modelscope.cn/models/qwen/Qwen1.5-0.5B-Chat/summary

0143863c-3abc-44d3-9891-d80159005e51[1].png

点击模型文件 -> 下载模型，可支持两种下载方式：Sdk和Git

1d80d77d-a81f-4690-b1fe-6386f15db57d[1].png

我们通过git的方式将模型文件下载到本地

mkdir Qwen && cd Qwen
git clone https://www.modelscope.cn/qwen/Qwen1.5-0.5B-Chat.git
cd ..

加载模型

1. 模型功能验证

可以使用modelscope Library加载模型，使用方法与transformers相同，使用AutoModelForCausalLM.from_pretrained方法和AutoTokenizer.from_pretrained从本地文件中加载，如果路径不存在，这两个方法会自动到modelscope下载模型文件。

需要先安装modelscope库：

pip install modelscope transformers

使用量化模型的话需要安装以下库：

pip install optimum auto-gptq

创建一个Python文件，放到与上文Qwen文件夹同级的目录中，内容如下：

from threading import Thread
from modelscope import (AutoModelForCausalLM, AutoTokenizer)
from transformers import TextIteratorStreamer
device = "cuda"  # 将模型加载到哪个硬件，此处为GPU
model = AutoModelForCausalLM.from_pretrained(
    "Qwen/Qwen1.5-0.5B-Chat", # 模型文件夹路径
    device_map="auto"
)
tokenizer = AutoTokenizer.from_pretrained("Qwen/Qwen1.5-0.5B-Chat")
while True:
    user_input = input("请输入问题（q退出）：")
    if user_input.lower() == "q":
        print("exit")
        break
    try:
        messages = [
            {"role": "system", "content": "You are a helpful assistant."},
            {"role": "user", "content": user_input}
        ]
        text = tokenizer.apply_chat_template(
            messages,
            tokenize=False,
            add_generation_prompt=False
        )
        inputs = tokenizer([text], return_tensors="pt").to(device)
        streamer = TextIteratorStreamer(tokenizer)
        generation_kwargs = dict(inputs, streamer=streamer, max_new_tokens=512)
        thread = Thread(target=model.generate, kwargs=generation_kwargs)
        thread.start()
        generated_text = ""
        count = 0
        for new_text in streamer:
            generated_text += new_text
            print(new_text, end="", flush=True)
        print()
    except Exception as e:
        print(f"出错了：{str(e)}")

上面的代码首先从本地模型文件夹中加载了模型和分词器，然后我们在一个循环中接收用户输入，并将输入处理后通过大模型进行内容生成。我们可以通过python运行上面的文件，运行后，就可以测试了，就测试运行效果如下：

06a95b4f-9996-4aef-973c-a282f4922bce[1].png

2. LangChain加载本地模型

到目前为止，我们已经在本地跑起来了一个千问0.5B大语言模型，接下来需要让langchain能够加载这个本地模型。

如果要用langchain加载模型，我们需要继承langchain.llms.base.LLM 类，并且重写_llm_type, _call方法，因为我们需要支持流式输出，就需要重写_stream方法。可参考langchain的官方文档：Custom LLM | ??? LangChain

下面是这个类的代码：

from abc import ABC
from threading import Thread
from typing import Any, List, Mapping, Optional, Iterator
from langchain.callbacks.manager import CallbackManagerForLLMRun
from langchain.llms.base import LLM
from langchain_core.outputs import GenerationChunk
from modelscope import AutoModelForCausalLM, AutoTokenizer
from transformers import TextIteratorStreamer
device = "cuda"  # the device to load the model onto
model = AutoModelForCausalLM.from_pretrained(
    "Qwen/Qwen1.5-0.5B-Chat",
    device_map="auto"
)
tokenizer = AutoTokenizer.from_pretrained("Qwen/Qwen1.5-0.5B-Chat")
class QwenLocalLLM(LLM, ABC):
    max_token: int = 10000
    temperature: float = 0.01
    top_p = 0.9
    def __init__(self):
        super().__init__()
    @property
    def _llm_type(self) -> str:
        return "Qwen"
    def _call(
            self,
            prompt: str,
            stop: Optional[List[str]] = None,
            run_manager: Optional[CallbackManagerForLLMRun] = None,
            **kwargs: Any
    ) -> str:
        messages = [
            {"role": "system", "content": "You are a helpful assistant."},
            {"role": "user", "content": prompt}
        ]
        text = tokenizer.apply_chat_template(
            messages,
            tokenize=False,
            add_generation_prompt=True
        )
        model_inputs = tokenizer([text], return_tensors="pt").to(device)
        generated_ids = model.generate(
            model_inputs.input_ids,
            max_new_tokens=512
        )
        generated_ids = [
            output_ids[len(input_ids):] for input_ids, output_ids in zip(model_inputs.input_ids, generated_ids)
        ]
        response = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]
        return response
    @property
    def _identifying_params(self) -> Mapping[str, Any]:
        """Get the identifying parameters."""
        return {"max_token": self.max_token,
                "temperature": self.temperature,
                "top_p": self.top_p,
                "history_len": self.history_len}
    def _stream(
            self,
            prompt: str,
            stop: Optional[List[str]] = None,
            run_manager: Optional[CallbackManagerForLLMRun] = None,
            **kwargs: Any,
    ) -> Iterator[GenerationChunk]:
        try:
            messages = [
                {"role": "system", "content": "You are a helpful assistant."},
                {"role": "user", "content": prompt}
            ]
            text = tokenizer.apply_chat_template(
                messages,
                tokenize=False,
                add_generation_prompt=False
            )
            inputs = tokenizer([text], return_tensors="pt").to(device)
            streamer = TextIteratorStreamer(tokenizer)
            generation_kwargs = dict(inputs, streamer=streamer, max_new_tokens=512)
            thread = Thread(target=model.generate, kwargs=generation_kwargs)
            thread.start()
            generated_text = ""
            for new_text in streamer:
                generated_text += new_text
                print(new_text, end="", flush=True)
                yield GenerationChunk(
                    text=new_text
                )
            print()
        except Exception as e:
            print(f"出错了：{str(e)}")
            yield GenerationChunk(
                text=f"生成失败: {str(e)}"
            )

最后修改上一篇文章中的生成方法，将初始化千问模型的代码替换为上面的实现类：

# 替换前
model = Tongyi()
model.model_name = "qwen-max"
# 替换后
model = QwenLocalLLM()

效果展示

更换之前：

a321e8c9-e1c2-4a93-959d-b6017c125d9b[1].png

企业微信截图_17138386684085.png

生成结果：

离线包更新的原理涉及以下几个方面：

1. **离线包结构**：离线包通常是一个包含前端资源的`.zip`包，这些资源可以是HTML、CSS、JavaScript文件或者图片等。这些资源被组织在一起，以便客户端能够下载并离线使用。
2. **离线包类型**：可能有不同类型的离线包，比如全量包和增量包。全量包包含所有更新的资源，而增量包只包含与旧版本相比发生变化的资源。
3. **渲染过程**：当客户端应用启动或用户触发更新时，会通过特定的RPC调用获取最新的离线包信息。然后，客户端会下载这个包，并将其解压缩到本地的沙盒目录。如果配置了验签，客户端还会验证包的完整性。一旦包被成功解压和验证，客户端会使用新的资源来渲染页面。
4. **更新流程**：更新流程包括构建前端`.zip`包，在线生成`.amr`包（可能是处理签名和版本信息的打包格式），然后通过发布平台将包推送给客户端。客户端在接收到更新信息后，会下载并应用新的离线包。
5. **检查和调试**：如果客户端无法加载新包，可以通过检查RPC返回结果、确认加载的离线包信息、检查沙盒目录下的解压情况、验证签名以及使用Safari调试H5页面来排查问题。
6. **客户端范围**：在控制台上传新版本离线包时，需要指定支持的客户端版本范围，只有在这个范围内的客户端才能接收并更新离线包。
7. **用户交互**：在应用中，用户触发更新后，会收到提示，更新完成后可以访问使用新离线包的页面。
详细原理可以参考[离线包简介](/document_detail/59594.html#topic-2125626)。

耗时15秒多，而且按要求生成了Markdown格式的文本。

更换成本地Qwen-0.5B模型：

企业微信截图_17138386777627.png

企业微信截图_17138386845963.png

生成结果：

离线包更新的原理是这样的：
1. 首先，您需要安装离线包相关的配置文件。
2. 然后，您可以将离线包添加到应用的缓存或数据库中，以便下次下载使用。
3. 一旦离线包添加到缓存或数据库中，它将在后续请求中的 `<head>` 响应头中包含一个 `Content-Disposition` 属性，指定要下载的离线包的类型和URL，以及其离线包大小。
4. 然后，服务器会在适当的时候发送一个响应头，其中包含了离线包的状态码（如 `200 OK`）和一些相关信息，例如离线包的实际URL。
5. 最后，客户端可以从响应头中获取离线包的内容，并进行相应的操作。
此外，离线包还包含一些额外的信息，例如离线包的完整路径、离线包的版本号等，这些信息可以用于维护离线包的历史记录和调试。

生成内容长度仅为上面的一半不到，耗时也不到一半，但内容的正确性就一言难尽了。

对比后可以看到，prompt相同的情况下，Qwen1.5-0.5B-Chat因为模型较小，生成速度较快，但生成内容的质量相比在线的qwen-max、qwen-plus这些还是相差甚远。

当前文章仅提供本地化部署的思路，如果需要达成更好的效果，则需要使用qwen系列更大的模型，例如Qwen1.5-72B-Chat，而且要更高配置的硬件支持。

后续方向

私有化部署大模型花费的精力很多，不过大模型私有化部署也有一些好处，比如：

数据安全：能够更好地保护企业的数据隐私和安全。

定制化：可以根据企业的具体需求进行定制和优化。

掌控权：企业对模型具有更大的掌控权，可以进行灵活的管理和调整。

效率提升：可针对企业特定业务流程进行优化，提高工作效率。

稳定性：减少对外部网络和服务的依赖，提高系统的稳定性。

合规性：有助于满足企业在数据隐私和安全方面的合规要求。

品牌建设：打造具有企业自身特色的人工智能解决方案，提升品牌形象。

资源优化：根据企业的实际情况进行资源分配和优化，避免不必要的浪费。

可根据企业自身需求进行选择，后续我们会继续学习探索。

社区供稿 | 本地部署通义千问大模型做RAG验证

背景

开发框架介绍

ModelScope Library

环境准备

1. 环境检查

2. 安装CUDA 12.1（可选）

3. 安装conda

4. 使用conda创建PyTorch环境

5. 下载模型

加载模型

1. 模型功能验证

2. LangChain加载本地模型

效果展示

后续方向

ModelScope模型即服务

热门文章

最新文章

相关课程

相关电子书

相关实验场景