PygmalionAI's large-scale inference engine
pygmalion.chat

It is designed to serve as the inference endpoint for the PygmalionAI website, and to allow serving the Pygmalion models to a large number of users with blazing fast speeds (thanks to vLLM's Paged Attention).

AlpinDale 2b7cd1d4ec wip 3 tháng trước cách đây
.github 55261b09d6 ci: fix docs deployment (#750) 3 tháng trước cách đây
aphrodite 2b7cd1d4ec wip 3 tháng trước cách đây
assets b3df2351c8 readme: update with bsz1 graph 10 tháng trước cách đây
cmake f1d0b77c92 [0.6.0] Release Candidate (#481) 4 tháng trước cách đây
docker f1d0b77c92 [0.6.0] Release Candidate (#481) 4 tháng trước cách đây
docs 5878e887f2 docs: update readme and docs (#757) 3 tháng trước cách đây
examples 12e40ae6fd chore: update grafana template (#721) 3 tháng trước cách đây
kernels 2b7cd1d4ec wip 3 tháng trước cách đây
tests 73177656ed feat: quant_llm support (#755) 3 tháng trước cách đây
.clang-format f1d0b77c92 [0.6.0] Release Candidate (#481) 4 tháng trước cách đây
.dockerignore f1d0b77c92 [0.6.0] Release Candidate (#481) 4 tháng trước cách đây
.gitignore f1d0b77c92 [0.6.0] Release Candidate (#481) 4 tháng trước cách đây
CMakeLists.txt 2b7cd1d4ec wip 3 tháng trước cách đây
CODE_OF_CONDUCT.md e7ea38f243 chore: add contribution guidelines + Code of Conduct (#507) 6 tháng trước cách đây
CONTRIBUTING.md e7ea38f243 chore: add contribution guidelines + Code of Conduct (#507) 6 tháng trước cách đây
Dockerfile 300f889554 chore: update flashinfer to v0.1.3 (#685) 3 tháng trước cách đây
Dockerfile.cpu d289c3855b fix: install protobuf for cpu (#716) 3 tháng trước cách đây
Dockerfile.neuron 31483a7d3b fix: manually install triton for other devices to prevent outlines errors (#697) 3 tháng trước cách đây
Dockerfile.openvino 31483a7d3b fix: manually install triton for other devices to prevent outlines errors (#697) 3 tháng trước cách đây
Dockerfile.ppc64le 31483a7d3b fix: manually install triton for other devices to prevent outlines errors (#697) 3 tháng trước cách đây
Dockerfile.rocm f1d0b77c92 [0.6.0] Release Candidate (#481) 4 tháng trước cách đây
Dockerfile.tpu 8cfbe62a7c chore: bump lmfe to v0.10.6 and include triton for tpu and xpu dockerfiles (#682) 3 tháng trước cách đây
Dockerfile.xpu 8cfbe62a7c chore: bump lmfe to v0.10.6 and include triton for tpu and xpu dockerfiles (#682) 3 tháng trước cách đây
LICENSE 5adcb33e14 Revert license back to AGPLv3 (#38) 1 năm trước cách đây
MANIFEST.in f1d0b77c92 [0.6.0] Release Candidate (#481) 4 tháng trước cách đây
README.md 5878e887f2 docs: update readme and docs (#757) 3 tháng trước cách đây
build_wheel.sh f1d0b77c92 [0.6.0] Release Candidate (#481) 4 tháng trước cách đây
config.yaml f1d0b77c92 [0.6.0] Release Candidate (#481) 4 tháng trước cách đây
env.py 5dd0145414 chore: update the env.py script and the bug report template (#662) 4 tháng trước cách đây
environment.yaml f1d0b77c92 [0.6.0] Release Candidate (#481) 4 tháng trước cách đây
formatting.sh f1d0b77c92 [0.6.0] Release Candidate (#481) 4 tháng trước cách đây
mypy.ini 9d81716bfd [v0.5.3] Release Candidate (#388) 8 tháng trước cách đây
pyproject.toml ec32f999bc build: bump cmake to 3.26 (#691) 3 tháng trước cách đây
requirements-adag.txt f1d0b77c92 [0.6.0] Release Candidate (#481) 4 tháng trước cách đây
requirements-build.txt ec32f999bc build: bump cmake to 3.26 (#691) 3 tháng trước cách đây
requirements-common.txt d7309453f6 fix: add pandas to requirements (#756) 3 tháng trước cách đây
requirements-cpu.txt f1d0b77c92 [0.6.0] Release Candidate (#481) 4 tháng trước cách đây
requirements-cuda.txt 4ca9aaaf3c build: add empty device (#684) 3 tháng trước cách đây
requirements-dev.txt f1d0b77c92 [0.6.0] Release Candidate (#481) 4 tháng trước cách đây
requirements-lint.txt 62111fab17 feat: allow serving encoder-decoder models in the API server (#664) 4 tháng trước cách đây
requirements-neuron.txt 9d81716bfd [v0.5.3] Release Candidate (#388) 8 tháng trước cách đây
requirements-openvino.txt f1d0b77c92 [0.6.0] Release Candidate (#481) 4 tháng trước cách đây
requirements-rocm.txt f1d0b77c92 [0.6.0] Release Candidate (#481) 4 tháng trước cách đây
requirements-test.txt 04da8c33bd Revert "chore: use the `compressed-tensors` library to avoid code reuse (#704)" (#706) 3 tháng trước cách đây
requirements-tpu.txt f1d0b77c92 [0.6.0] Release Candidate (#481) 4 tháng trước cách đây
requirements-xpu.txt f1d0b77c92 [0.6.0] Release Candidate (#481) 4 tháng trước cách đây
runtime.sh cbe37e8b18 fix: speed up cuda home detection (#288) 10 tháng trước cách đây
setup.py 4ca9aaaf3c build: add empty device (#684) 3 tháng trước cách đây
update-runtime.sh f1d0b77c92 [0.6.0] Release Candidate (#481) 4 tháng trước cách đây

README.md

Breathing Life into Language

aphrodite

Aphrodite is the official backend engine for PygmalionAI. It is designed to serve as the inference endpoint for the PygmalionAI website, and to allow serving Hugging Face-compatible models to a large number of users with blazing fast speeds (thanks to vLLM's Paged Attention).

Aphrodite builds upon and integrates the exceptional work from various projects.

The compute necessary for Aphrodite's development is provided by Arc Compute.

🔥 News

(09/2024) v0.6.1 is here. You can now load FP16 models in FP2 to FP7 quant formats, to achieve extremely high throughput and save on memory.

(09/2024) v0.6.0 is released, with huge throughput improvements, many new quant formats (including fp8 and llm-compressor), asymmetric tensor parallel, pipeline parallel and more! Please check out the exhaustive documentation for the User and Developer guides.

Features

  • Continuous Batching
  • Efficient K/V management with PagedAttention from vLLM
  • Optimized CUDA kernels for improved inference
  • Quantization support via AQLM, AWQ, Bitsandbytes, GGUF, GPTQ, QuIP#, Smoothquant+, SqueezeLLM, Marlin, FP2-FP12
  • Distributed inference
  • 8-bit KV Cache for higher context lengths and throughput, at both FP8 E5M3 and E4M3 formats.

Quickstart

Install the engine:

pip install -U aphrodite-engine

Then launch a model:

aphrodite run meta-llama/Meta-Llama-3.1-8B-Instruct

This will create a OpenAI-compatible API server that can be accessed at port 2242 of the localhost. You can plug in the API into a UI that supports OpenAI, such as SillyTavern.

Please refer to the documentation for the full list of arguments and flags you can pass to the engine.

You can play around with the engine in the demo here:

Open In Colab

Docker

Additionally, we provide a Docker image for easy deployment. Here's a basic command to get you started:

docker run --runtime nvidia --gpus all \
    -v ~/.cache/huggingface:/root/.cache/huggingface \
    #--env "CUDA_VISIBLE_DEVICES=0,1,2,3,4,5,6,7" \
    -p 2242:2242 \
    --ipc=host \
    alpindale/aphrodite-openai:latest \
    --model NousResearch/Meta-Llama-3.1-8B-Instruct \
    --tensor-parallel-size 8 \
    --api-keys "sk-empty"

This will pull the Aphrodite Engine image (~8GiB download), and launch the engine with the Llama-3.1-8B-Instruct model at port 2242.

Requirements

  • Operating System: Linux (or WSL for Windows)
  • Python: 3.8 to 3.12

For windows users, it's recommended to use tabbyAPI instead, if you do not need batching support.

Build Requirements:

  • CUDA >= 11

For supported devices, see here. Generally speaking, all semi-modern GPUs are supported - down to Pascal (GTX 10xx, P40, etc.) We also support AMD GPUs, Intel CPUs and GPUs, Google TPU, and AWS Inferentia.

Notes

  1. By design, Aphrodite takes up 90% of your GPU's VRAM. If you're not serving an LLM at scale, you may want to limit the amount of memory it takes up. You can do this in the API example by launching the server with the --gpu-memory-utilization 0.6 (0.6 means 60%).

  2. You can view the full list of commands by running aphrodite run --help.

Acknowledgements

Aphrodite Engine would have not been possible without the phenomenal work of other open-source projects. Credits go to:

Contributing

Everyone is welcome to contribute. You can support the project by opening Pull Requests for new features, fixes, or general UX improvements.