本地运行Llama-2-7B-Chat模型时出现内存不足错误求助

我的PC配置 #

• CPU：Ryzen 5700X
• 内存：32GB
• 存储：100GB可用空间SSD
• 显卡：RTX 3060 12GB显存

操作步骤 #

我尝试本地运行Llama-2-7B-Chat模型，执行了以下步骤：

1. 将模型转换为ggml FP16格式：

   python convert.py .\models\llama-2-7b-chat\
   

2. 进行量化：

   ./quantize .\models\llama-2-7b-chat\ggml-model-f16.gguf .\models\llama-2-7b-chat\ggml-model-q4_0.bin q4_0
   

3. 运行模型：

   .\main -m .\models\llama-2-7b-chat\ggml-model-q4_0.gguf -n 512
   

错误信息 #

执行上述运行命令后，出现以下错误：

main: build = 1019 (ef3f333)
main: seed  = 1692713716
llama_model_loader: loaded meta data with 15 key-value pairs and 291 tensors from .\models\llama-2-7b-chat\ggml-model-q4_0.gguf (version GGUF V1 (latest))

// 省略部分内容

llama_model_loader: - kv   0:                       general.architecture str
llama_model_loader: - kv   1:                               general.name str
llama_model_loader: - kv   2:                       llama.context_length u32
llama_model_loader: - kv   3:                     llama.embedding_length u32
llama_model_loader: - kv   4:                          llama.block_count u32
llama_model_loader: - kv   5:                  llama.feed_forward_length u32
llama_model_loader: - kv   6:                 llama.rope.dimension_count u32
llama_model_loader: - kv   7:                 llama.attention.head_count u32
llama_model_loader: - kv   8:              llama.attention.head_count_kv u32
llama_model_loader: - kv   9:     llama.attention.layer_norm_rms_epsilon f32
llama_model_loader: - kv  10:                       tokenizer.ggml.model str
llama_model_loader: - kv  11:                      tokenizer.ggml.tokens arr
llama_model_loader: - kv  12:                      tokenizer.ggml.scores arr
llama_model_loader: - kv  13:                  tokenizer.ggml.token_type arr
llama_model_loader: - kv  14:               general.quantization_version u32
llama_model_loader: - type  f32:   65 tensors
llama_model_loader: - type q4_0:  225 tensors
llama_model_loader: - type q6_K:    1 tensors
llama_model_load_internal: format       = GGUF V1 (latest)
llama_model_load_internal: arch         = llama
llama_model_load_internal: vocab type   = SPM
llama_model_load_internal: n_vocab      = 32000
llama_model_load_internal: n_ctx_train  = 2048
llama_model_load_internal: n_ctx        = 512
llama_model_load_internal: n_embd       = 4096
llama_model_load_internal: n_head       = 32
llama_model_load_internal: n_head_kv    = 32
llama_model_load_internal: n_layer      = 32
llama_model_load_internal: n_rot        = 128
llama_model_load_internal: n_gqa        = 1
llama_model_load_internal: f_norm_eps   = 1.0e-06
llama_model_load_internal: n_ff         = 11008
llama_model_load_internal: freq_base    = 10000.0
llama_model_load_internal: freq_scale   = 1
llama_model_load_internal: model type   = 7B
llama_model_load_internal: model ftype  = mostly Q4_0
llama_model_load_internal: model size   = 6.74 B
llama_model_load_internal: general.name = LLaMA
llama_model_load_internal: BOS token = 1 '<s>'
llama_model_load_internal: EOS token = 2 '</s>'
llama_model_load_internal: LF token  = 13 '<0x0A>'
llama_model_load_internal: ggml ctx size =    0.07 MB
llama_model_load_internal: mem required  = 3647.94 MB (+  256.00 MB per state)
error loading model: MapViewOfFile failed: Not enough memory resources are available to process this command.

llama_load_model_from_file: failed to load model
llama_init_from_gpt_params: error: failed to load model '.\models\llama-2-7b-chat\ggml-model-q4_0.gguf'
main: error: unable to load model

已尝试的解决方法 #

修改上下文长度后重新执行所有步骤，问题仍未解决，请求帮助。

内容的提问来源于stack exchange，提问作者Dolir Dollar