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 c1c37c755d bump version to 0.6.0 4 tháng trước cách đây
.github cc7a636ffd ci: add action for deploying docs 4 tháng trước cách đây
aphrodite c1c37c755d bump version to 0.6.0 4 tháng trước cách đây
assets b3df2351c8 readme: update with bsz1 graph 10 tháng trước cách đây
cmake 141672a0d4 kernels: disambiguate quantized types via a new ScalarType 4 tháng trước cách đây
docker b15e6376f8 bump to torch 2.4.0, add aphrodite_flash_attn (#614) 4 tháng trước cách đây
docs 638784c3c9 docs: fix typos 4 tháng trước cách đây
examples 4d4e767838 ci: take one of fixing lint issues 4 tháng trước cách đây
kernels 0e6c400b13 feat: re-add GGUF (#600) 4 tháng trước cách đây
tests 4d4e767838 ci: take one of fixing lint issues 4 tháng trước cách đây
.clang-format 04d22bf1a9 add clang-format 5 tháng trước cách đây
.dockerignore 6a57861fca feat: initial XPU support via intel_extension_for_pytorch (#571) 5 tháng trước cách đây
.env f6250c5516 move dockerfiles to root; fix cpu build 5 tháng trước cách đây
.gitignore 0c17c2a8a7 chore: add commit hash, clean up engine logs 4 tháng trước cách đây
CMakeLists.txt 0e6c400b13 feat: re-add GGUF (#600) 4 tháng trước cách đây
CODE_OF_CONDUCT.md 9c45fe9a2a openai: fix metrics endpoint (#512) 6 tháng trước cách đây
CONTRIBUTING.md 9c45fe9a2a openai: fix metrics endpoint (#512) 6 tháng trước cách đây
Dockerfile 523ac99aca chore: pipeline parallel with Ray accelerated dag 4 tháng trước cách đây
Dockerfile.cpu 7844103e43 build: update torch to 2.4.0 for cpu 4 tháng trước cách đây
Dockerfile.neuron f6250c5516 move dockerfiles to root; fix cpu build 5 tháng trước cách đây
Dockerfile.openvino 141672a0d4 kernels: disambiguate quantized types via a new ScalarType 4 tháng trước cách đây
Dockerfile.ppc64le 271a680026 feat: inference support for PowerPC ISA 5 tháng trước cách đây
Dockerfile.rocm 98f9dbd734 feat: Triton Kernels for Punica (#613) 4 tháng trước cách đây
Dockerfile.tpu fbec255dc1 chore: enable tpu tensor parallel in async engine 4 tháng trước cách đây
Dockerfile.xpu 6a57861fca feat: initial XPU support via intel_extension_for_pytorch (#571) 5 tháng trước cách đây
LICENSE 5adcb33e14 Revert license back to AGPLv3 (#38) 1 năm trước cách đây
MANIFEST.in 523ac99aca chore: pipeline parallel with Ray accelerated dag 4 tháng trước cách đây
README.md 949f0445de readme: update installation command 8 tháng trước cách đây
build_wheel.sh 75122b20ef chore: refactor wheel build script 4 tháng trước cách đây
config.yaml f18eeaf59a ci: codespell fixes 4 tháng trước cách đây
docker-compose.yml f6250c5516 move dockerfiles to root; fix cpu build 5 tháng trước cách đây
entrypoint.sh f6250c5516 move dockerfiles to root; fix cpu build 5 tháng trước cách đây
env.py e42a78381a feat: switch from pylint to ruff (#322) 9 tháng trước cách đây
environment.yaml b15e6376f8 bump to torch 2.4.0, add aphrodite_flash_attn (#614) 4 tháng trước cách đây
formatting.sh c4933b1a6d ci: remove yapf from the formatting script 4 tháng trước cách đây
mypy.ini 9d81716bfd [v0.5.3] Release Candidate (#388) 8 tháng trước cách đây
patch_xformers.rocm.sh 13d850334e fix: navi support (#283) 10 tháng trước cách đây
pyproject.toml f18eeaf59a ci: codespell fixes 4 tháng trước cách đây
requirements-adag.txt 523ac99aca chore: pipeline parallel with Ray accelerated dag 4 tháng trước cách đây
requirements-build.txt 44d81c3a3e chore: bump torch to 2.4.0 4 tháng trước cách đây
requirements-common.txt 0e6c400b13 feat: re-add GGUF (#600) 4 tháng trước cách đây
requirements-cpu.txt 7844103e43 build: update torch to 2.4.0 for cpu 4 tháng trước cách đây
requirements-cuda.txt b15e6376f8 bump to torch 2.4.0, add aphrodite_flash_attn (#614) 4 tháng trước cách đây
requirements-dev.txt 6b1fdd07bd chore: add isort and refactor formatting script and utils 4 tháng trước cách đây
requirements-lint.txt 6b1fdd07bd chore: add isort and refactor formatting script and utils 4 tháng trước cách đây
requirements-neuron.txt 9d81716bfd [v0.5.3] Release Candidate (#388) 8 tháng trước cách đây
requirements-openvino.txt 0e6c400b13 feat: re-add GGUF (#600) 4 tháng trước cách đây
requirements-rocm.txt fa15bad2ea chore: minor AMD fixes 4 tháng trước cách đây
requirements-test.txt 523ac99aca chore: pipeline parallel with Ray accelerated dag 4 tháng trước cách đây
requirements-tpu.txt 4abbbdad78 chore: make triton fully optional 4 tháng trước cách đây
requirements-xpu.txt 6a57861fca feat: initial XPU support via intel_extension_for_pytorch (#571) 5 tháng trước cách đây
runtime.sh cbe37e8b18 fix: speed up cuda home detection (#288) 10 tháng trước cách đây
setup.py 141672a0d4 kernels: disambiguate quantized types via a new ScalarType 4 tháng trước cách đây
update-runtime.sh b15e6376f8 bump to torch 2.4.0, add aphrodite_flash_attn (#614) 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 the Pygmalion 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.

Features

  • Continuous Batching
  • Efficient K/V management with PagedAttention from vLLM
  • Optimized CUDA kernels for improved inference
  • Quantization support via AQLM, AWQ, Bitsandbytes, EXL2, GGUF, GPTQ, QuIP#, Smoothquant+, and SqueezeLLM
  • Distributed inference
  • Variety of sampling methods (Mirostat, Locally Typical Sampling, Tail-Free Sampling, etc)
  • 8-bit KV Cache for higher context lengths and throughput, at both FP8 and INT8 formats.

Quickstart

Install the engine:

$ pip install -U aphrodite-engine --extra-index-url https://downloads.pygmalion.chat/whl

Then launch a model:

$ aphrodite run meta-llama/Meta-Llama-3-8B-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 wiki 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:

sudo docker run -d -e MODEL_NAME="mistralai/Mistral-7B-Instruct-v0.2" -p 2242:2242 --gpus all --ipc host alpindale/aphrodite-engine

This will pull the Aphrodite Engine image (~9GiB download), and launch the engine with the Mistral-7B model at port 2242. Check here for the full list of env variables.

See here for the Compose file to use with Docker Compose.

Requirements

  • Operating System: Linux (or WSL for Windows)
  • Python: at least 3.8

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

Build Requirements:

  • CUDA >= 11

For supported GPUs, see here. Generally speaking, all semi-modern GPUs are supported - down to Pascal (GTX 10xx, P40, etc.)

Installation

Usage

For usage, please refer to the wiki page for detailed instructions. Aphrodite provides many different options for LLM inference, so please read through the list of options here.

Performance

Speeds vary with different GPUs, model sizes, quantization schemes, batch sizes, etc. Here are some baseline benchmarks conducted by requesting as many completions as possible from the API server.

Batch Size 1 Performance

These are the speeds a user would normally get if they request a single output with a sizable prompt and output length. Essentially, normal chatting experience.

The following results were gathered by sending a request with 8192 prompt tokens and requesting 1024 tokens with ignore_eos=True.

GPU: NVIDIA A40, Mistral 7B. Baseline is the same model loaded with text-generation-webui in FP16.

High Batch Size Performance

Work in Progress.

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.

  3. Context Length extension via the RoPE method is supported for most models. Use the command-line flag --max-model-len to specify a desired context length and the engine will adjust the RoPE scaling accordingly.

  4. Please refer to the FAQ & Issues if you run into problems. If you don't find an answer there, please make an issue.

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.