前言

大型语言模型（LLM）通过其卓越的文本理解与生成能力，为机器智能带来了革命性的进步。然而，这些模型的运行通常需要消耗大量的计算资源，因此它们主要部署在性能强大的服务器上。

随着技术的发展和边缘计算的兴起，现在有潜力在更小巧、便携的设备上部署这些模型。例如，Raspberry Pi 树莓派和 Intel 哪吒开发套件等单片机。尽管体积小巧，但它们具备足够的能力运行某些精简版本的模型。本文就两款单片机上运行LLM做一个对比，先尝试在Raspberry Pi 4B运行大模型，然后将该方案在Intel哪吒开发板重建。

一、Raspberry Pi4 上运行大模型Qwen2 0.5B

一般情况下，模型需要两倍内存大小才能正常运行。因此，本方案使用的8GB的Raspberry Pi4 4B来做推理。

1、环境部署

#部署虚拟环境 
sudo apt update && sudo apt install git 
mkdir my_project 
cd my_project
python -m venv env source env/bin/activate 
#下载依赖库 
python3 -m pip install torch numpy sentencepiece 
sudo apt install g++ build-essential 
#下载llama.cpp代码库 
git clone https://github.com/ggerganov/llama.cpp 
#编译环境 
cd llama.cpp 
make

2、模型下载

树莓派4b的8GB RAM，即使树莓派5，都不太适合做模型的量化。只能在PC机上做好量化后，再把量化后的模型文件拷贝到树莓派上部署。具体方式是使用LLaMA.cpp中的convert-hf-to-gguf.py将原模型转化成GGUF格式。

鉴于Raspberry Pi只有CPU，我们需要优先考虑可以在CPU上运行的模型。本次选择的大模型是Qwen2 0.5B。

Qwen2 0.5B是阿里云开源的新一代大语言模型，模型规模为0.49B参数，支持最长达32K tokens的上下文长度，在多个评测基准上表现优异，超越了Meta的Llama-3-70B。

这里我们直接从魔搭社区魔搭社区下载已经量化过的GGUF模型文件。

#模型下载 
wget https://www.modelscope.cn/models/qwen/Qwen2-0.5B-Instruct-GGUF/resolve/master/qwen2-0_5b-instruct-q5_k_m.gguf

3、模型运行

大模型推理引擎使用的是llama.cpp，实现模型推理对话。

./llama-cli -m /home/pi/qwen2-0_5b-instruct-q5_k_m.gguf -n 512 -co -i -if -f ../../prompts/chat-with-qwen.txt --in-prefix "<|im_start|>user\n" --in-suffix "<|im_end|>\n<|im_start|>assistant\n" -ngl 24 -fa

4、总结 

经过一番折腾，配置环境和编译，耗去了几天时间，树莓派终于成功运行大模型了。虽然可以，但比较吃力。看了网上其他人的尝试，即使换用具有更强大处理能力的树莓派5，运行作为资源有限设备设计的Phi-2-Q4（27亿参数），由于没有GPU支撑，所以速度也只有5.13 tokens/s。

所以说，树莓派5在处理速度上相较于4B有了显著提升，但在处理大型LLM时仍受到诸多限制。总结树莓派跑大模型的痛点：一是它无法做模型量化，要么在本地PC机上做好量化再拷贝过来，要么直接下载使用GGUF模型文件。二是它只有CPU，计算能力的提升空间基本被锁死了。如果要在树莓派上跑模型，只能选用内存占用较小且仅在 CPU 上运行的模型。

看网上有高人设想了一些解决方案，比如：

1. 将树莓派上的小GPU用起来。树莓派5有个VideoCore GPU，支持Vulkan编程，而llama.cpp也有Vulkan后端，理论上是有可能的。但运行上有些问题，包括死锁、输出乱码等，推测可能和shader有关，还需要进一步研究。
2. 用类似T-MAC的方法，加速树莓派CPU的推理。T-MAC提出用look-up table (LUT) 代替计算，对于低比特量化的模型会很有帮助。例如4-bit相乘，只需要一个16x16的表就能预存所有可能的结果，把乘法变成了查表。
3. 采用新的更高效的模型架构，例如RWKV？
但这些方法都还只是停留在理论设想阶段，没有落地实践，那为什么不直接试下Intel 哪吒呢？

二、Intel 哪吒开发套件上运行大模型Qwen 2.5

Intel 哪吒开发套件搭载了英特尔N97处理器（3.6GHz），配备64GB eMMC存储和8GB LPDDR5内存。英特尔N97处理器属于 Intel Alder Lake-N 系列，采用仅 E-Core 的设计，专为轻量级办公、教育设备和超低功耗笔记本电脑设计，成本和功耗更低，更适合嵌入式设备。
 

关键点来了！Intel 哪吒最大的优势就是自带集成显卡，Intel UHD Graphics，我们可以在iGPU上使用OpenVINO来运行大模型。

说干就干！

 （一）安装OpenVINO配置环境

1、安装OpenVINO

从OpenVINO官网下载linux版本的压缩包，再解压，安装依赖，配置环境变量。

#解压 
tar -zxvf l_openvino_toolkit_ubuntu22_2024.3.0.16041.1e3b88e4e3f_x86_64.tgz 
#安装依赖包 
cd l_openvino_toolkit_ubuntu22_2024.3.0.16041.1e3b88e4e3f_x86_64/ 
sudo -E ./install_dependencies/install_openvino_dependencies.sh 
#配置环境变量 
source ./setupvars.sh

2、安装OpenCL runtime packages 

既然我们要充分发挥Intel 哪吒的集成显卡优势，就还要另外安装OpenCL runtime packages来把模型部署到iGPU上。具体参考官方文档，Configurations for Intel® Processor Graphics (GPU) with OpenVINO™ — OpenVINO™ documentation参考网上经验，我使用deb包的方式进行安装，从https://github.com/intel/compute-runtime/releases/tag/24.35.30872.22先下载11个deb包到开发板上，然后再dpkg安装。

#Create temporary directory
mkdir neo
#Download all *.deb packages
cd neo
wget https://github.com/intel/intel-graphics-compiler/releases/download/igc-1.0.17537.20/intel-igc-core_1.0.17537.20_amd64.deb
wget https://github.com/intel/intel-graphics-compiler/releases/download/igc-1.0.17537.20/intel-igc-opencl_1.0.17537.20_amd64.deb
wget https://github.com/intel/compute-runtime/releases/download/24.35.30872.22/intel-level-zero-gpu-dbgsym_1.3.30872.22_amd64.ddeb
wget https://github.com/intel/compute-runtime/releases/download/24.35.30872.22/intel-level-zero-gpu-legacy1-dbgsym_1.3.30872.22_amd64.ddeb
wget https://github.com/intel/compute-runtime/releases/download/24.35.30872.22/intel-level-zero-gpu-legacy1_1.3.30872.22_amd64.deb
wget https://github.com/intel/compute-runtime/releases/download/24.35.30872.22/intel-level-zero-gpu_1.3.30872.22_amd64.deb
wget https://github.com/intel/compute-runtime/releases/download/24.35.30872.22/intel-opencl-icd-dbgsym_24.35.30872.22_amd64.ddeb
wget https://github.com/intel/compute-runtime/releases/download/24.35.30872.22/intel-opencl-icd-legacy1-dbgsym_24.35.30872.22_amd64.ddeb
wget https://github.com/intel/compute-runtime/releases/download/24.35.30872.22/intel-opencl-icd-legacy1_24.35.30872.22_amd64.deb
wget https://github.com/intel/compute-runtime/releases/download/24.35.30872.22/intel-opencl-icd_24.35.30872.22_amd64.deb
wget https://github.com/intel/compute-runtime/releases/download/24.35.30872.22/libigdgmm12_22.5.0_amd64.deb
 
#Verify sha256 sums for packages
wget https://github.com/intel/compute-runtime/releases/download/24.35.30872.22/ww35.sum
sha256sum -c ww35.sum
 
#install required dependencies
apt install ocl-icd-libopencl1
 
#Install all packages as root
sudo dpkg -i *.deb

 （二）模型下载和转换量化

1、模型下载

本次采用的大模型是Qwen 2.5-0.5B。Qwen2.5是阿里通义团队近期最新发布的文本生成系列模型，基于更富的语料数据集训练，相较于 Qwen2，Qwen2.5 获得了显著更多的知识（MMLU：85+），并在编程能力（HumanEval 85+）和数学能力（MATH 80+）方面有了大幅提升。此外，新模型在指令执行、生成长文本（超过 8K 标记）、理解结构化数据（例如表格）以及生成结构化输出特别是 JSON 方面取得了显著改进。Qwen2.5 模型总体上对各种 system prompt 更具适应性，增强了角色扮演实现和聊天机器人的条件设置功能。Qwen2.5 语言模型支持高达 128K tokens，并能生成最多 8K tokens 的内容。本次使用的是指令调优的0.5B模型，其特点如下：

类型：因果语言模型
训练阶段：预训练与后训练
架构：使用RoPE、SwiGLU、RMSNorm、注意力QKV偏置和绑定词嵌入的transformers
参数数量：0.49亿
非嵌入参数数量：0.36亿
层数：24
注意力头数（GQA）：查询14个，键值对2个
上下文长度：完整32,768token，生成最多8192token
下载模型首选魔搭社区，直接下载到Intel哪吒开发板上。

#安装lfs
git lfs install
#下载模型
git clone https://www.modelscope.cn/qwen/Qwen2.5-0.5B-Instruct.git

 2、模型转换量化

在部署模型之前，我们首先需要将原始的 PyTorch 模型转换为 OpenVINO™ 的 IR 静态图格式，并对其进行压缩，以实现更轻量化的部署和最佳的性能表现。

（1）环境配置

新建一个虚拟环境，安装依赖。

python3 -m venv openvino_env
 
source openvino_env/bin/activate
 
python3 -m pip install --upgrade pip
 
pip install wheel setuptools
 
pip install -r requirements.txt

（2）转换和量化

通过 Optimum 提供的命令行工具 optimum-cli，我们可以一键完成模型的格式转换和权重量化任务。

optimum-cli export openvino --model './local_dir' --task text-generation-with-past --weight-format int4 --group-size 128 --ratio 0.8  Qwen2.5-0.5B-Instruct-int4-ov

我们也可以根据模型的输出结果，调整其中的量化参数，包括：

--weight-format：量化精度，可以选择fp32,fp16,int8,int4,int4_sym_g128,int4_asym_g128,int4_sym_g64,int4_asym_g64
--group-size：权重里共享量化参数的通道数量
--ratio：int4/int8 权重比例，默认为1.0，0.6表示60%的权重以 int4 表，40%以 int8 表示
--sym：是否开启对称量化

经过一个稍微漫长的等待，终于，转换成功！ 

 3、模型部署

OpenVINO™ 目前提供两种针对大语言模型的部署方案，一种是基于 Python 接口的 Optimum-intel 工具来进行部署，可以直接用 Transformers 库的接口来部署模型；另一种是GenAI API 方式，它同时支持 Python 和 C++ 两种编程语言，安装容量不到200MB，提供更极致的性能和轻量化的部署方式，更适合边缘设备上部署大模型。

本文采用的是后者，即GenAI API 方式。GenAI API 提供了 chat 模式的构建方法，通过声明 pipe.start_chat()以及pipe.finish_chat()，多轮聊天中的历史数据将被以 kvcache 的形态，在内存中进行管理，从而提升运行效率。

1、创建一个python文件。命名为chat_genai.py

import argparse
import openvino_genai


def streamer(subword):
    print(subword, end='', flush=True)
    return False

if __name__ == "__main__":
    parser = argparse.ArgumentParser(add_help=False)
    parser.add_argument('-h',
                        '--help',
                        action='help',
                        help='Show this help message and exit.')
    parser.add_argument('-m',
                        '--model_path',
                        required=True,
                        type=str,
                        help='Required. model path')
    parser.add_argument('-l',
                        '--max_sequence_length',
                        default=256,
                        required=False,
                        type=int,
                        help='Required. maximun length of output')
    parser.add_argument('-d',
                        '--device',
                        default='CPU',
                        required=False,
                        type=str,
                        help='Required. device for inference')
    args = parser.parse_args()
    pipe = openvino_genai.LLMPipeline(args.model_path, args.device)

    config = openvino_genai.GenerationConfig()
    config.max_new_tokens = args.max_sequence_length

    pipe.start_chat()
    while True:
        try:
            prompt = input('question:\n')
        except EOFError:
            break
        pipe.generate(prompt, config, streamer)
        print('\n----------')
    pipe.finish_chat()

2、运行流式聊天机器人

python3 chat_genai.py --model_path {your_path}/Qwen2.5-0.5B-Instruct-ov --max_sequence_length 4096 --device GPU

• --model_path - OpenVINO IR 模型所在目录的路径。
• --max_sequence_length - 输出标记的最大大小。
• --device - 运行推理的设备。例如："CPU","GPU"。

我们来问它一个简单的问题吧，让它自我介绍一下，看看它能不能答出来。 

可以，它对自己有个清晰的认识，阿里巴巴开发的大语言人工智能模型。

三、Intel 哪吒开发套件上运行大模型Phi-3.5-mini

还不死心，继续上难度，再换一个尺寸更大的模型，看看Intel哪吒是否hold住?

这次我们选用的是Phi-3.5-mini，它是微软推出的新一代 AI 模型系列中的轻量级模型，专为资源受限的环境设计，特别适合在资源受限的环境中进行复杂的语言处理任务。该模型具有以下特点：

• 模型参数和结构：
  • Phi-3.5-mini 拥有38亿参数，是一个密集的仅解码器Transformer模型，使用与Phi-3 Mini相同的分词器。
  • 该模型基于Phi-3的数据集构建，包括合成数据和经过筛选的公开网站数据，重点关注高质量、推理密集的数据。
• 应用和性能：
  • Phi-3.5-mini 特别适合在嵌入式系统和移动应用中进行快速文本处理和代码生成。
  • 该模型在基准测试中的表现超越了GPT4o、Llama 3.1、Gemini Flash等同类模型，显示出其强大的性能。
• 设计目标和适用场景：
  • 针对基础快速推理任务设计，适合在内存和算力受限的环境中运行，支持128k上下文长度。
  • 该模型在处理长达128K个token的长上下文方面表现出色，这使其在多种语言处理任务中都非常有效。
• 技术优势：
  • 经过严格的增强过程，包括监督微调和直接首选项优化，以确保精确地遵循指令和实施可靠的安全措施。
  • 支持多语言处理和多轮对话能力，优化了处理高质量、推理密集数据的能力。

1、下载模型

这次我们偷懒一下，直接下载已经转换好的IR文件到Intel哪吒开发板上。

huggingface-cli download --resume-download OpenVINO/Phi-3-mini-4k-instruct-int4-ov --local-dir Phi-3-mini-4k-instruct-int4-ov

参数规模3.8B的Phi-3.5-mini，转换成IR格式后，模型大小为2.5G。

 2、运行流式聊天机器人

继续采用GenAI API 方式，用iGPU推理。

python3 chat_genai.py --model_path {your_path}/Phi-3-mini-4k-instruct-int4-ov --max_sequence_length 4096 --device GPU

 这次问它一个难一点的问题，比较一下python和rust两种编程语言的优劣。

Phi-3.5模型真的名不虚传！简直人生开挂了，输出速度目测每秒10个token，整整持续输出了二十多分钟，共2903字，算上标点符合16285个。 

令人难以想象这是在一个单片机上跑大模型的效果，要么是Phi-3.5模型，要么是Intel 哪吒厉害，要么是微软和英特尔联手特别厉害！ 

 四、总结与鸣谢

在Intel哪吒开发套件上，配合OpenVINO，可以非常快速便捷的离线部署大模型，特别是一些SLM模型，非常适合做智能硬件的开发，很好地赋能创客基于成熟硬件，打造端云协同的AI应用。或者重新定义全新硬件，开发软硬件一体的AI产品。

最后，再次感谢Intel组织的这次2024 Intel®“走近开发者”互动活动让我有机会能试用到哪吒开发套件，也感谢OpenVINO的实战workshop，给我们这么好用的大模型工具。

参考文档：

1、实战精选 | 5分钟利用 OpenVINO™ 部署 Qwen2.5    https://community.modelscope.cn/66f10c6b2db35d1195eed3c8.html

2、开发者实战丨如何利用 OpenVINO™ 部署 Phi-3.5 全家桶。  https://mp.weixin.qq.com/s/yROq_Zu3G1a5x8eV7TUmDA