File size: 240,289 Bytes
7d1c1f7 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 |
/home/cfruan/.conda/envs/mlc-source-311/bin/python -m mlc_chat gen_config /models/gemma-2b-it --quantization q4f16_1 --conv-template gemma_instruction --output /tmp/tmp8p1wh14f --context-window-size 8192 --prefill-chunk-size 1024
[2024-02-21 21:09:03] INFO auto_config.py:115: [92mFound[0m model configuration: /models/gemma-2b-it/config.json
[2024-02-21 21:09:03] INFO auto_config.py:153: [92mFound[0m model type: [1mgemma[0m. Use `--model-type` to override.
[2024-02-21 21:09:03] INFO gemma_model.py:55: [1mcontext_window_size[0m not found in config.json. Falling back to [1mmax_position_embeddings[0m (8192)
[2024-02-21 21:09:03] INFO gemma_model.py:70: [1mprefill_chunk_size[0m defaults to [1mcontext_window_size[0m (8192)
[2024-02-21 21:09:03] INFO config.py:106: Overriding [1mcontext_window_size[0m from 8192 to 8192
[2024-02-21 21:09:03] INFO config.py:106: Overriding [1mprefill_chunk_size[0m from 8192 to 1024
[2024-02-21 21:09:03] INFO config.py:106: Overriding [1mmax_batch_size[0m from 1 to 80
[2024-02-21 21:09:03] INFO gen_config.py:121: [generation_config.json] Setting [1mbos_token_id[0m: 2
[2024-02-21 21:09:03] INFO gen_config.py:121: [generation_config.json] Setting [1meos_token_id[0m: 1
[2024-02-21 21:09:03] INFO gen_config.py:121: [generation_config.json] Setting [1mpad_token_id[0m: 0
[2024-02-21 21:09:03] INFO gen_config.py:133: [92mFound[0m tokenizer config: /models/gemma-2b-it/tokenizer.model. Copying to [1m/tmp/tmp8p1wh14f/tokenizer.model[0m
[2024-02-21 21:09:03] INFO gen_config.py:133: [92mFound[0m tokenizer config: /models/gemma-2b-it/tokenizer.json. Copying to [1m/tmp/tmp8p1wh14f/tokenizer.json[0m
[2024-02-21 21:09:03] INFO gen_config.py:135: [91mNot found[0m tokenizer config: /models/gemma-2b-it/vocab.json
[2024-02-21 21:09:03] INFO gen_config.py:135: [91mNot found[0m tokenizer config: /models/gemma-2b-it/merges.txt
[2024-02-21 21:09:03] INFO gen_config.py:135: [91mNot found[0m tokenizer config: /models/gemma-2b-it/added_tokens.json
[2024-02-21 21:09:03] INFO gen_config.py:133: [92mFound[0m tokenizer config: /models/gemma-2b-it/tokenizer_config.json. Copying to [1m/tmp/tmp8p1wh14f/tokenizer_config.json[0m
[2024-02-21 21:09:03] INFO gen_config.py:74: [System default] Setting [1mtemperature[0m: 0.7
[2024-02-21 21:09:03] INFO gen_config.py:74: [System default] Setting [1mpresence_penalty[0m: 0.0
[2024-02-21 21:09:03] INFO gen_config.py:74: [System default] Setting [1mfrequency_penalty[0m: 0.0
[2024-02-21 21:09:03] INFO gen_config.py:74: [System default] Setting [1mrepetition_penalty[0m: 1.0
[2024-02-21 21:09:03] INFO gen_config.py:74: [System default] Setting [1mtop_p[0m: 0.95
[2024-02-21 21:09:03] INFO gen_config.py:74: [System default] Setting [1mmean_gen_len[0m: 128
[2024-02-21 21:09:03] INFO gen_config.py:74: [System default] Setting [1mmax_gen_len[0m: 512
[2024-02-21 21:09:03] INFO gen_config.py:74: [System default] Setting [1mshift_fill_factor[0m: 0.3
[2024-02-21 21:09:03] INFO gen_config.py:186: Dumping configuration file to: [1m/tmp/tmp8p1wh14f/mlc-chat-config.json[0m
/home/cfruan/.conda/envs/mlc-source-311/bin/python -m mlc_chat convert_weight /models/gemma-2b-it --quantization q4f16_1 --source-format auto --output /tmp/tmp8p1wh14f
[2024-02-21 21:09:05] INFO auto_config.py:115: [92mFound[0m model configuration: /models/gemma-2b-it/config.json
[2024-02-21 21:09:06] INFO auto_device.py:76: [92mFound[0m device: cuda:0
[2024-02-21 21:09:06] INFO auto_device.py:76: [92mFound[0m device: cuda:1
[2024-02-21 21:09:07] INFO auto_device.py:85: [91mNot found[0m device: rocm:0
[2024-02-21 21:09:08] INFO auto_device.py:85: [91mNot found[0m device: metal:0
[2024-02-21 21:09:19] INFO auto_device.py:76: [92mFound[0m device: vulkan:0
[2024-02-21 21:09:19] INFO auto_device.py:76: [92mFound[0m device: vulkan:1
[2024-02-21 21:09:19] INFO auto_device.py:76: [92mFound[0m device: vulkan:2
[2024-02-21 21:09:20] INFO auto_device.py:85: [91mNot found[0m device: opencl:0
[2024-02-21 21:09:20] INFO auto_device.py:33: Using device: [1mcuda:0[0m
[2024-02-21 21:09:20] INFO auto_weight.py:70: Finding weights in: /models/gemma-2b-it
[2024-02-21 21:09:20] INFO auto_weight.py:136: [91mNot found[0m Huggingface PyTorch
[2024-02-21 21:09:20] INFO auto_weight.py:143: [92mFound[0m source weight format: huggingface-safetensor. Source configuration: /models/gemma-2b-it/model.safetensors.index.json
[2024-02-21 21:09:20] INFO auto_weight.py:106: Using source weight configuration: [1m/models/gemma-2b-it/model.safetensors.index.json[0m. Use `--source` to override.
[2024-02-21 21:09:20] INFO auto_weight.py:110: Using source weight format: [1mhuggingface-safetensor[0m. Use `--source-format` to override.
[2024-02-21 21:09:20] INFO auto_config.py:153: [92mFound[0m model type: [1mgemma[0m. Use `--model-type` to override.
[2024-02-21 21:09:20] INFO gemma_model.py:55: [1mcontext_window_size[0m not found in config.json. Falling back to [1mmax_position_embeddings[0m (8192)
[2024-02-21 21:09:20] INFO gemma_model.py:70: [1mprefill_chunk_size[0m defaults to [1mcontext_window_size[0m (8192)
[1mWeight conversion with arguments:[0m
[1m--config[0m /models/gemma-2b-it/config.json
[1m--quantization[0m GroupQuantize(name='q4f16_1', kind='group-quant', group_size=32, quantize_dtype='int4', storage_dtype='uint32', model_dtype='float16', linear_weight_layout='NK', quantize_embedding=True, quantize_final_fc=True, num_elem_per_storage=8, num_storage_per_group=4, max_int_value=7)
[1m--model-type[0m gemma
[1m--device[0m cuda:0
[1m--source[0m /models/gemma-2b-it/model.safetensors.index.json
[1m--source-format[0m huggingface-safetensor
[1m--output[0m /tmp/tmp8p1wh14f
0%| | 0/110 [00:00<?, ?it/s]
[2024-02-21 21:09:22] INFO huggingface_loader.py:182: Loading HF parameters from: /models/gemma-2b-it/model-00001-of-00002.safetensors
0%| | 0/110 [00:00<?, ?it/s]
[2024-02-21 21:09:38] INFO group_quantization.py:232: Compiling quantize function for key: ((256000, 2048), float16, cuda, axis=1, output_transpose=False)
0%| | 0/110 [00:15<?, ?it/s]
[2024-02-21 21:09:39] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.embed_tokens.q_weight[0m", shape: (256000, 256), dtype: uint32
0%| | 0/110 [00:17<?, ?it/s]
[2024-02-21 21:09:40] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.embed_tokens.q_scale[0m", shape: (256000, 64), dtype: float16
0%| | 0/110 [00:17<?, ?it/s]
1%|██▎ | 1/110 [00:17<32:03, 17.65s/it]
[2024-02-21 21:09:40] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.0.input_layernorm.weight[0m", shape: (2048,), dtype: float16
1%|██▎ | 1/110 [00:17<32:03, 17.65s/it]
[2024-02-21 21:09:40] INFO group_quantization.py:232: Compiling quantize function for key: ((2048, 16384), float16, cuda, axis=1, output_transpose=False)
1%|██▎ | 1/110 [00:17<32:03, 17.65s/it]
[2024-02-21 21:09:40] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.0.mlp.down_proj.q_weight[0m", shape: (2048, 2048), dtype: uint32
1%|██▎ | 1/110 [00:18<32:03, 17.65s/it]
[2024-02-21 21:09:40] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.0.mlp.down_proj.q_scale[0m", shape: (2048, 512), dtype: float16
1%|██▎ | 1/110 [00:18<32:03, 17.65s/it]
3%|██████▊ | 3/110 [00:18<08:34, 4.81s/it]
[2024-02-21 21:09:41] INFO group_quantization.py:232: Compiling quantize function for key: ((32768, 2048), float16, cuda, axis=1, output_transpose=False)
3%|██████▊ | 3/110 [00:19<08:34, 4.81s/it]
[2024-02-21 21:09:42] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.0.mlp.gate_up_proj.q_weight[0m", shape: (32768, 256), dtype: uint32
3%|██████▊ | 3/110 [00:19<08:34, 4.81s/it]
[2024-02-21 21:09:42] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.0.mlp.gate_up_proj.q_scale[0m", shape: (32768, 64), dtype: float16
3%|██████▊ | 3/110 [00:19<08:34, 4.81s/it]
4%|█████████ | 4/110 [00:19<06:28, 3.67s/it]
[2024-02-21 21:09:42] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.0.post_attention_layernorm.weight[0m", shape: (2048,), dtype: float16
4%|█████████ | 4/110 [00:19<06:28, 3.67s/it]
[2024-02-21 21:09:42] INFO group_quantization.py:232: Compiling quantize function for key: ((2560, 2048), float16, cuda, axis=1, output_transpose=False)
4%|█████████ | 4/110 [00:19<06:28, 3.67s/it]
[2024-02-21 21:09:42] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.0.self_attn.qkv_proj.q_weight[0m", shape: (2560, 256), dtype: uint32
4%|█████████ | 4/110 [00:20<06:28, 3.67s/it]
[2024-02-21 21:09:42] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.0.self_attn.qkv_proj.q_scale[0m", shape: (2560, 64), dtype: float16
4%|█████████ | 4/110 [00:20<06:28, 3.67s/it]
5%|█████████████▋ | 6/110 [00:20<03:24, 1.97s/it]
[2024-02-21 21:09:42] INFO group_quantization.py:232: Compiling quantize function for key: ((2048, 2048), float16, cuda, axis=1, output_transpose=False)
5%|█████████████▋ | 6/110 [00:20<03:24, 1.97s/it]
[2024-02-21 21:09:43] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.0.self_attn.o_proj.q_weight[0m", shape: (2048, 256), dtype: uint32
5%|█████████████▋ | 6/110 [00:20<03:24, 1.97s/it]
[2024-02-21 21:09:43] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.0.self_attn.o_proj.q_scale[0m", shape: (2048, 64), dtype: float16
5%|█████████████▋ | 6/110 [00:20<03:24, 1.97s/it]
6%|███████████████▉ | 7/110 [00:20<02:41, 1.57s/it]
[2024-02-21 21:09:43] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.1.input_layernorm.weight[0m", shape: (2048,), dtype: float16
6%|███████████████▉ | 7/110 [00:20<02:41, 1.57s/it]
[2024-02-21 21:09:43] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.1.mlp.down_proj.q_weight[0m", shape: (2048, 2048), dtype: uint32
6%|███████████████▉ | 7/110 [00:20<02:41, 1.57s/it]
[2024-02-21 21:09:43] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.1.mlp.down_proj.q_scale[0m", shape: (2048, 512), dtype: float16
6%|███████████████▉ | 7/110 [00:20<02:41, 1.57s/it]
8%|████████████████████▍ | 9/110 [00:20<01:34, 1.06it/s]
[2024-02-21 21:09:44] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.1.mlp.gate_up_proj.q_weight[0m", shape: (32768, 256), dtype: uint32
8%|████████████████████▍ | 9/110 [00:22<01:34, 1.06it/s]
[2024-02-21 21:09:44] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.1.mlp.gate_up_proj.q_scale[0m", shape: (32768, 64), dtype: float16
8%|████████████████████▍ | 9/110 [00:22<01:34, 1.06it/s]
9%|██████████████████████▋ | 10/110 [00:22<01:38, 1.02it/s]
[2024-02-21 21:09:44] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.1.post_attention_layernorm.weight[0m", shape: (2048,), dtype: float16
9%|██████████████████████▋ | 10/110 [00:22<01:38, 1.02it/s]
[2024-02-21 21:09:44] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.1.self_attn.qkv_proj.q_weight[0m", shape: (2560, 256), dtype: uint32
9%|██████████████████████▋ | 10/110 [00:22<01:38, 1.02it/s]
[2024-02-21 21:09:44] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.1.self_attn.qkv_proj.q_scale[0m", shape: (2560, 64), dtype: float16
9%|██████████████████████▋ | 10/110 [00:22<01:38, 1.02it/s]
[2024-02-21 21:09:44] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.1.self_attn.o_proj.q_weight[0m", shape: (2048, 256), dtype: uint32
9%|██████████████████████▋ | 10/110 [00:22<01:38, 1.02it/s]
[2024-02-21 21:09:44] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.1.self_attn.o_proj.q_scale[0m", shape: (2048, 64), dtype: float16
9%|██████████████████████▋ | 10/110 [00:22<01:38, 1.02it/s]
[2024-02-21 21:09:44] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.10.input_layernorm.weight[0m", shape: (2048,), dtype: float16
9%|██████████████████████▋ | 10/110 [00:22<01:38, 1.02it/s]
[2024-02-21 21:09:44] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.10.mlp.down_proj.q_weight[0m", shape: (2048, 2048), dtype: uint32
9%|██████████████████████▋ | 10/110 [00:22<01:38, 1.02it/s]
[2024-02-21 21:09:44] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.10.mlp.down_proj.q_scale[0m", shape: (2048, 512), dtype: float16
9%|██████████████████████▋ | 10/110 [00:22<01:38, 1.02it/s]
14%|█████████████████████████████████▉ | 15/110 [00:22<00:38, 2.47it/s]
[2024-02-21 21:09:45] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.10.mlp.gate_up_proj.q_weight[0m", shape: (32768, 256), dtype: uint32
14%|█████████████████████████████████▉ | 15/110 [00:23<00:38, 2.47it/s]
[2024-02-21 21:09:45] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.10.mlp.gate_up_proj.q_scale[0m", shape: (32768, 64), dtype: float16
14%|█████████████████████████████████▉ | 15/110 [00:23<00:38, 2.47it/s]
15%|████████████████████████████████████▏ | 16/110 [00:23<00:46, 2.02it/s]
[2024-02-21 21:09:45] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.10.post_attention_layernorm.weight[0m", shape: (2048,), dtype: float16
15%|████████████████████████████████████▏ | 16/110 [00:23<00:46, 2.02it/s]
[2024-02-21 21:09:45] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.10.self_attn.qkv_proj.q_weight[0m", shape: (2560, 256), dtype: uint32
15%|████████████████████████████████████▏ | 16/110 [00:23<00:46, 2.02it/s]
[2024-02-21 21:09:45] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.10.self_attn.qkv_proj.q_scale[0m", shape: (2560, 64), dtype: float16
15%|████████████████████████████████████▏ | 16/110 [00:23<00:46, 2.02it/s]
[2024-02-21 21:09:45] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.10.self_attn.o_proj.q_weight[0m", shape: (2048, 256), dtype: uint32
15%|████████████████████████████████████▏ | 16/110 [00:23<00:46, 2.02it/s]
[2024-02-21 21:09:45] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.10.self_attn.o_proj.q_scale[0m", shape: (2048, 64), dtype: float16
15%|████████████████████████████████████▏ | 16/110 [00:23<00:46, 2.02it/s]
[2024-02-21 21:09:45] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.11.input_layernorm.weight[0m", shape: (2048,), dtype: float16
15%|████████████████████████████████████▏ | 16/110 [00:23<00:46, 2.02it/s]
[2024-02-21 21:09:46] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.11.mlp.down_proj.q_weight[0m", shape: (2048, 2048), dtype: uint32
15%|████████████████████████████████████▏ | 16/110 [00:23<00:46, 2.02it/s]
[2024-02-21 21:09:46] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.11.mlp.down_proj.q_scale[0m", shape: (2048, 512), dtype: float16
15%|████████████████████████████████████▏ | 16/110 [00:23<00:46, 2.02it/s]
19%|███████████████████████████████████████████████▌ | 21/110 [00:23<00:24, 3.69it/s]
[2024-02-21 21:09:46] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.11.mlp.gate_up_proj.q_weight[0m", shape: (32768, 256), dtype: uint32
19%|███████████████████████████████████████████████▌ | 21/110 [00:24<00:24, 3.69it/s]
[2024-02-21 21:09:46] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.11.mlp.gate_up_proj.q_scale[0m", shape: (32768, 64), dtype: float16
19%|███████████████████████████████████████████████▌ | 21/110 [00:24<00:24, 3.69it/s]
20%|█████████████████████████████████████████████████▊ | 22/110 [00:24<00:30, 2.85it/s]
[2024-02-21 21:09:46] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.11.post_attention_layernorm.weight[0m", shape: (2048,), dtype: float16
20%|█████████████████████████████████████████████████▊ | 22/110 [00:24<00:30, 2.85it/s]
[2024-02-21 21:09:47] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.11.self_attn.qkv_proj.q_weight[0m", shape: (2560, 256), dtype: uint32
20%|█████████████████████████████████████████████████▊ | 22/110 [00:24<00:30, 2.85it/s]
[2024-02-21 21:09:47] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.11.self_attn.qkv_proj.q_scale[0m", shape: (2560, 64), dtype: float16
20%|█████████████████████████████████████████████████▊ | 22/110 [00:24<00:30, 2.85it/s]
[2024-02-21 21:09:47] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.11.self_attn.o_proj.q_weight[0m", shape: (2048, 256), dtype: uint32
20%|█████████████████████████████████████████████████▊ | 22/110 [00:24<00:30, 2.85it/s]
[2024-02-21 21:09:47] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.11.self_attn.o_proj.q_scale[0m", shape: (2048, 64), dtype: float16
20%|█████████████████████████████████████████████████▊ | 22/110 [00:24<00:30, 2.85it/s]
[2024-02-21 21:09:47] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.12.input_layernorm.weight[0m", shape: (2048,), dtype: float16
20%|█████████████████████████████████████████████████▊ | 22/110 [00:24<00:30, 2.85it/s]
[2024-02-21 21:09:47] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.12.mlp.down_proj.q_weight[0m", shape: (2048, 2048), dtype: uint32
20%|█████████████████████████████████████████████████▊ | 22/110 [00:24<00:30, 2.85it/s]
[2024-02-21 21:09:47] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.12.mlp.down_proj.q_scale[0m", shape: (2048, 512), dtype: float16
20%|█████████████████████████████████████████████████▊ | 22/110 [00:24<00:30, 2.85it/s]
25%|█████████████████████████████████████████████████████████████ | 27/110 [00:24<00:17, 4.76it/s]
[2024-02-21 21:09:48] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.12.mlp.gate_up_proj.q_weight[0m", shape: (32768, 256), dtype: uint32
25%|█████████████████████████████████████████████████████████████ | 27/110 [00:25<00:17, 4.76it/s]
[2024-02-21 21:09:48] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.12.mlp.gate_up_proj.q_scale[0m", shape: (32768, 64), dtype: float16
25%|█████████████████████████████████████████████████████████████ | 27/110 [00:25<00:17, 4.76it/s]
25%|███████████████████████████████████████████████████████████████▍ | 28/110 [00:25<00:23, 3.46it/s]
[2024-02-21 21:09:48] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.12.post_attention_layernorm.weight[0m", shape: (2048,), dtype: float16
25%|███████████████████████████████████████████████████████████████▍ | 28/110 [00:25<00:23, 3.46it/s]
[2024-02-21 21:09:48] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.12.self_attn.qkv_proj.q_weight[0m", shape: (2560, 256), dtype: uint32
25%|███████████████████████████████████████████████████████████████▍ | 28/110 [00:25<00:23, 3.46it/s]
[2024-02-21 21:09:48] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.12.self_attn.qkv_proj.q_scale[0m", shape: (2560, 64), dtype: float16
25%|███████████████████████████████████████████████████████████████▍ | 28/110 [00:25<00:23, 3.46it/s]
[2024-02-21 21:09:48] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.12.self_attn.o_proj.q_weight[0m", shape: (2048, 256), dtype: uint32
25%|███████████████████████████████████████████████████████████████▍ | 28/110 [00:25<00:23, 3.46it/s]
[2024-02-21 21:09:48] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.12.self_attn.o_proj.q_scale[0m", shape: (2048, 64), dtype: float16
25%|███████████████████████████████████████████████████████████████▍ | 28/110 [00:25<00:23, 3.46it/s]
[2024-02-21 21:09:48] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.13.input_layernorm.weight[0m", shape: (2048,), dtype: float16
25%|███████████████████████████████████████████████████████████████▍ | 28/110 [00:25<00:23, 3.46it/s]
[2024-02-21 21:09:48] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.13.mlp.down_proj.q_weight[0m", shape: (2048, 2048), dtype: uint32
25%|███████████████████████████████████████████████████████████████▍ | 28/110 [00:26<00:23, 3.46it/s]
[2024-02-21 21:09:48] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.13.mlp.down_proj.q_scale[0m", shape: (2048, 512), dtype: float16
25%|███████████████████████████████████████████████████████████████▍ | 28/110 [00:26<00:23, 3.46it/s]
30%|██████████████████████████████████████████████████████████████████████████▋ | 33/110 [00:26<00:14, 5.41it/s]
[2024-02-21 21:09:49] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.13.mlp.gate_up_proj.q_weight[0m", shape: (32768, 256), dtype: uint32
30%|██████████████████████████████████████████████████████████████████████████▋ | 33/110 [00:26<00:14, 5.41it/s]
[2024-02-21 21:09:49] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.13.mlp.gate_up_proj.q_scale[0m", shape: (32768, 64), dtype: float16
30%|██████████████████████████████████████████████████████████████████████████▋ | 33/110 [00:26<00:14, 5.41it/s]
31%|████████████████████████████████████████████████████████████████████████████▉ | 34/110 [00:26<00:20, 3.68it/s]
[2024-02-21 21:09:49] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.13.post_attention_layernorm.weight[0m", shape: (2048,), dtype: float16
31%|████████████████████████████████████████████████████████████████████████████▉ | 34/110 [00:26<00:20, 3.68it/s]
[2024-02-21 21:09:49] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.13.self_attn.qkv_proj.q_weight[0m", shape: (2560, 256), dtype: uint32
31%|████████████████████████████████████████████████████████████████████████████▉ | 34/110 [00:27<00:20, 3.68it/s]
[2024-02-21 21:09:49] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.13.self_attn.qkv_proj.q_scale[0m", shape: (2560, 64), dtype: float16
31%|████████████████████████████████████████████████████████████████████████████▉ | 34/110 [00:27<00:20, 3.68it/s]
[2024-02-21 21:09:49] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.13.self_attn.o_proj.q_weight[0m", shape: (2048, 256), dtype: uint32
31%|████████████████████████████████████████████████████████████████████████████▉ | 34/110 [00:27<00:20, 3.68it/s]
[2024-02-21 21:09:49] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.13.self_attn.o_proj.q_scale[0m", shape: (2048, 64), dtype: float16
31%|████████████████████████████████████████████████████████████████████████████▉ | 34/110 [00:27<00:20, 3.68it/s]
34%|███████████████████████████████████████████████████████████████████████████████████▊ | 37/110 [00:27<00:14, 5.10it/s]
[2024-02-21 21:09:49] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.14.input_layernorm.weight[0m", shape: (2048,), dtype: float16
34%|███████████████████████████████████████████████████████████████████████████████████▊ | 37/110 [00:27<00:14, 5.10it/s]
[2024-02-21 21:09:49] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.14.mlp.down_proj.q_weight[0m", shape: (2048, 2048), dtype: uint32
34%|███████████████████████████████████████████████████████████████████████████████████▊ | 37/110 [00:27<00:14, 5.10it/s]
[2024-02-21 21:09:49] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.14.mlp.down_proj.q_scale[0m", shape: (2048, 512), dtype: float16
34%|███████████████████████████████████████████████████████████████████████████████████▊ | 37/110 [00:27<00:14, 5.10it/s]
35%|████████████████████████████████████████████████████████████████████████████████████████▎ | 39/110 [00:27<00:12, 5.60it/s]
[2024-02-21 21:09:50] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.14.mlp.gate_up_proj.q_weight[0m", shape: (32768, 256), dtype: uint32
35%|████████████████████████████████████████████████████████████████████████████████████████▎ | 39/110 [00:28<00:12, 5.60it/s]
[2024-02-21 21:09:50] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.14.mlp.gate_up_proj.q_scale[0m", shape: (32768, 64), dtype: float16
35%|████████████████████████████████████████████████████████████████████████████████████████▎ | 39/110 [00:28<00:12, 5.60it/s]
[2024-02-21 21:09:50] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.14.post_attention_layernorm.weight[0m", shape: (2048,), dtype: float16
35%|████████████████████████████████████████████████████████████████████████████████████████▎ | 39/110 [00:28<00:12, 5.60it/s]
37%|████████████████████████████████████████████████████████████████████████████████████████████▊ | 41/110 [00:28<00:16, 4.14it/s]
[2024-02-21 21:09:50] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.14.self_attn.qkv_proj.q_weight[0m", shape: (2560, 256), dtype: uint32
37%|████████████████████████████████████████████████████████████████████████████████████████████▊ | 41/110 [00:28<00:16, 4.14it/s]
[2024-02-21 21:09:50] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.14.self_attn.qkv_proj.q_scale[0m", shape: (2560, 64), dtype: float16
37%|████████████████████████████████████████████████████████████████████████████████████████████▊ | 41/110 [00:28<00:16, 4.14it/s]
38%|███████████████████████████████████████████████████████████████████████████████████████████████ | 42/110 [00:28<00:14, 4.54it/s]
[2024-02-21 21:09:50] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.14.self_attn.o_proj.q_weight[0m", shape: (2048, 256), dtype: uint32
38%|███████████████████████████████████████████████████████████████████████████████████████████████ | 42/110 [00:28<00:14, 4.54it/s]
[2024-02-21 21:09:50] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.14.self_attn.o_proj.q_scale[0m", shape: (2048, 64), dtype: float16
38%|███████████████████████████████████████████████████████████████████████████████████████████████ | 42/110 [00:28<00:14, 4.54it/s]
[2024-02-21 21:09:50] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.15.input_layernorm.weight[0m", shape: (2048,), dtype: float16
38%|███████████████████████████████████████████████████████████████████████████████████████████████ | 42/110 [00:28<00:14, 4.54it/s]
[2024-02-21 21:09:50] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.15.mlp.down_proj.q_weight[0m", shape: (2048, 2048), dtype: uint32
38%|███████████████████████████████████████████████████████████████████████████████████████████████ | 42/110 [00:28<00:14, 4.54it/s]
[2024-02-21 21:09:50] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.15.mlp.down_proj.q_scale[0m", shape: (2048, 512), dtype: float16
38%|███████████████████████████████████████████████████████████████████████████████████████████████ | 42/110 [00:28<00:14, 4.54it/s]
41%|█████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 45/110 [00:28<00:10, 5.96it/s]
[2024-02-21 21:09:51] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.15.mlp.gate_up_proj.q_weight[0m", shape: (32768, 256), dtype: uint32
41%|█████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 45/110 [00:29<00:10, 5.96it/s]
[2024-02-21 21:09:51] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.15.mlp.gate_up_proj.q_scale[0m", shape: (32768, 64), dtype: float16
41%|█████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 45/110 [00:29<00:10, 5.96it/s]
42%|████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 46/110 [00:29<00:17, 3.56it/s]
[2024-02-21 21:09:51] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.15.post_attention_layernorm.weight[0m", shape: (2048,), dtype: float16
42%|████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 46/110 [00:29<00:17, 3.56it/s]
[2024-02-21 21:09:51] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.15.self_attn.qkv_proj.q_weight[0m", shape: (2560, 256), dtype: uint32
42%|████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 46/110 [00:29<00:17, 3.56it/s]
[2024-02-21 21:09:51] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.15.self_attn.qkv_proj.q_scale[0m", shape: (2560, 64), dtype: float16
42%|████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 46/110 [00:29<00:17, 3.56it/s]
[2024-02-21 21:09:51] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.15.self_attn.o_proj.q_weight[0m", shape: (2048, 256), dtype: uint32
42%|████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 46/110 [00:29<00:17, 3.56it/s]
[2024-02-21 21:09:51] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.15.self_attn.o_proj.q_scale[0m", shape: (2048, 64), dtype: float16
42%|████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 46/110 [00:29<00:17, 3.56it/s]
[2024-02-21 21:09:51] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.16.input_layernorm.weight[0m", shape: (2048,), dtype: float16
42%|████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 46/110 [00:29<00:17, 3.56it/s]
[2024-02-21 21:09:52] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.16.mlp.down_proj.q_weight[0m", shape: (2048, 2048), dtype: uint32
42%|████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 46/110 [00:29<00:17, 3.56it/s]
[2024-02-21 21:09:52] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.16.mlp.down_proj.q_scale[0m", shape: (2048, 512), dtype: float16
42%|████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 46/110 [00:29<00:17, 3.56it/s]
46%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 51/110 [00:29<00:09, 6.31it/s]
[2024-02-21 21:09:53] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.16.mlp.gate_up_proj.q_weight[0m", shape: (32768, 256), dtype: uint32
46%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 51/110 [00:30<00:09, 6.31it/s]
[2024-02-21 21:09:53] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.16.mlp.gate_up_proj.q_scale[0m", shape: (32768, 64), dtype: float16
46%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 51/110 [00:30<00:09, 6.31it/s]
[2024-02-21 21:09:53] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.16.post_attention_layernorm.weight[0m", shape: (2048,), dtype: float16
46%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 51/110 [00:30<00:09, 6.31it/s]
48%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 53/110 [00:30<00:13, 4.32it/s]
[2024-02-21 21:09:53] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.16.self_attn.qkv_proj.q_weight[0m", shape: (2560, 256), dtype: uint32
48%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 53/110 [00:30<00:13, 4.32it/s]
[2024-02-21 21:09:53] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.16.self_attn.qkv_proj.q_scale[0m", shape: (2560, 64), dtype: float16
48%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 53/110 [00:30<00:13, 4.32it/s]
[2024-02-21 21:09:53] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.16.self_attn.o_proj.q_weight[0m", shape: (2048, 256), dtype: uint32
48%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 53/110 [00:30<00:13, 4.32it/s]
[2024-02-21 21:09:53] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.16.self_attn.o_proj.q_scale[0m", shape: (2048, 64), dtype: float16
48%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 53/110 [00:30<00:13, 4.32it/s]
[2024-02-21 21:09:53] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.17.mlp.gate_up_proj.q_weight[0m", shape: (32768, 256), dtype: uint32
48%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 53/110 [00:31<00:13, 4.32it/s]
[2024-02-21 21:09:53] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.17.mlp.gate_up_proj.q_scale[0m", shape: (32768, 64), dtype: float16
48%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 53/110 [00:31<00:13, 4.32it/s]
51%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 56/110 [00:31<00:13, 3.86it/s]
[2024-02-21 21:09:54] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.17.self_attn.qkv_proj.q_weight[0m", shape: (2560, 256), dtype: uint32
51%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 56/110 [00:31<00:13, 3.86it/s]
[2024-02-21 21:09:54] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.17.self_attn.qkv_proj.q_scale[0m", shape: (2560, 64), dtype: float16
51%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 56/110 [00:31<00:13, 3.86it/s]
[2024-02-21 21:09:54] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.17.self_attn.o_proj.q_weight[0m", shape: (2048, 256), dtype: uint32
51%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 56/110 [00:31<00:13, 3.86it/s]
[2024-02-21 21:09:54] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.17.self_attn.o_proj.q_scale[0m", shape: (2048, 64), dtype: float16
51%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 56/110 [00:31<00:13, 3.86it/s]
[2024-02-21 21:09:54] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.2.input_layernorm.weight[0m", shape: (2048,), dtype: float16
51%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 56/110 [00:31<00:13, 3.86it/s]
[2024-02-21 21:09:54] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.2.mlp.down_proj.q_weight[0m", shape: (2048, 2048), dtype: uint32
51%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 56/110 [00:31<00:13, 3.86it/s]
[2024-02-21 21:09:54] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.2.mlp.down_proj.q_scale[0m", shape: (2048, 512), dtype: float16
51%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 56/110 [00:31<00:13, 3.86it/s]
55%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 60/110 [00:31<00:09, 5.34it/s]
[2024-02-21 21:09:55] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.2.mlp.gate_up_proj.q_weight[0m", shape: (32768, 256), dtype: uint32
55%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 60/110 [00:32<00:09, 5.34it/s]
[2024-02-21 21:09:55] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.2.mlp.gate_up_proj.q_scale[0m", shape: (32768, 64), dtype: float16
55%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 60/110 [00:32<00:09, 5.34it/s]
55%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████ | 61/110 [00:32<00:12, 3.88it/s]
[2024-02-21 21:09:55] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.2.post_attention_layernorm.weight[0m", shape: (2048,), dtype: float16
55%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████ | 61/110 [00:32<00:12, 3.88it/s]
[2024-02-21 21:09:55] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.2.self_attn.qkv_proj.q_weight[0m", shape: (2560, 256), dtype: uint32
55%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████ | 61/110 [00:32<00:12, 3.88it/s]
[2024-02-21 21:09:55] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.2.self_attn.qkv_proj.q_scale[0m", shape: (2560, 64), dtype: float16
55%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████ | 61/110 [00:32<00:12, 3.88it/s]
[2024-02-21 21:09:55] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.2.self_attn.o_proj.q_weight[0m", shape: (2048, 256), dtype: uint32
55%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████ | 61/110 [00:32<00:12, 3.88it/s]
[2024-02-21 21:09:55] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.2.self_attn.o_proj.q_scale[0m", shape: (2048, 64), dtype: float16
55%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████ | 61/110 [00:32<00:12, 3.88it/s]
[2024-02-21 21:09:55] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.3.input_layernorm.weight[0m", shape: (2048,), dtype: float16
55%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████ | 61/110 [00:32<00:12, 3.88it/s]
[2024-02-21 21:09:55] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.3.mlp.down_proj.q_weight[0m", shape: (2048, 2048), dtype: uint32
55%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████ | 61/110 [00:32<00:12, 3.88it/s]
[2024-02-21 21:09:55] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.3.mlp.down_proj.q_scale[0m", shape: (2048, 512), dtype: float16
55%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████ | 61/110 [00:32<00:12, 3.88it/s]
60%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 66/110 [00:32<00:07, 6.06it/s]
[2024-02-21 21:09:56] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.3.mlp.gate_up_proj.q_weight[0m", shape: (32768, 256), dtype: uint32
60%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 66/110 [00:33<00:07, 6.06it/s]
[2024-02-21 21:09:56] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.3.mlp.gate_up_proj.q_scale[0m", shape: (32768, 64), dtype: float16
60%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 66/110 [00:33<00:07, 6.06it/s]
61%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 67/110 [00:33<00:10, 4.11it/s]
[2024-02-21 21:09:56] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.3.post_attention_layernorm.weight[0m", shape: (2048,), dtype: float16
61%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 67/110 [00:33<00:10, 4.11it/s]
[2024-02-21 21:09:56] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.3.self_attn.qkv_proj.q_weight[0m", shape: (2560, 256), dtype: uint32
61%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 67/110 [00:33<00:10, 4.11it/s]
[2024-02-21 21:09:56] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.3.self_attn.qkv_proj.q_scale[0m", shape: (2560, 64), dtype: float16
61%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 67/110 [00:33<00:10, 4.11it/s]
[2024-02-21 21:09:56] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.3.self_attn.o_proj.q_weight[0m", shape: (2048, 256), dtype: uint32
61%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 67/110 [00:33<00:10, 4.11it/s]
[2024-02-21 21:09:56] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.3.self_attn.o_proj.q_scale[0m", shape: (2048, 64), dtype: float16
61%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 67/110 [00:33<00:10, 4.11it/s]
64%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 70/110 [00:33<00:06, 5.74it/s]
[2024-02-21 21:09:56] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.4.input_layernorm.weight[0m", shape: (2048,), dtype: float16
64%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 70/110 [00:33<00:06, 5.74it/s]
[2024-02-21 21:09:56] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.4.mlp.down_proj.q_weight[0m", shape: (2048, 2048), dtype: uint32
64%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 70/110 [00:34<00:06, 5.74it/s]
[2024-02-21 21:09:56] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.4.mlp.down_proj.q_scale[0m", shape: (2048, 512), dtype: float16
64%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 70/110 [00:34<00:06, 5.74it/s]
65%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 72/110 [00:34<00:06, 6.06it/s]
[2024-02-21 21:09:57] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.4.mlp.gate_up_proj.q_weight[0m", shape: (32768, 256), dtype: uint32
65%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 72/110 [00:34<00:06, 6.06it/s]
[2024-02-21 21:09:57] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.4.mlp.gate_up_proj.q_scale[0m", shape: (32768, 64), dtype: float16
65%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 72/110 [00:34<00:06, 6.06it/s]
[2024-02-21 21:09:57] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.4.post_attention_layernorm.weight[0m", shape: (2048,), dtype: float16
65%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 72/110 [00:34<00:06, 6.06it/s]
67%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 74/110 [00:34<00:08, 4.49it/s]
[2024-02-21 21:09:57] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.4.self_attn.qkv_proj.q_weight[0m", shape: (2560, 256), dtype: uint32
67%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 74/110 [00:34<00:08, 4.49it/s]
[2024-02-21 21:09:57] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.4.self_attn.qkv_proj.q_scale[0m", shape: (2560, 64), dtype: float16
67%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 74/110 [00:34<00:08, 4.49it/s]
[2024-02-21 21:09:57] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.4.self_attn.o_proj.q_weight[0m", shape: (2048, 256), dtype: uint32
67%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 74/110 [00:34<00:08, 4.49it/s]
[2024-02-21 21:09:57] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.4.self_attn.o_proj.q_scale[0m", shape: (2048, 64), dtype: float16
67%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 74/110 [00:34<00:08, 4.49it/s]
[2024-02-21 21:09:57] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.5.input_layernorm.weight[0m", shape: (2048,), dtype: float16
67%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 74/110 [00:34<00:08, 4.49it/s]
[2024-02-21 21:09:57] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.5.mlp.down_proj.q_weight[0m", shape: (2048, 2048), dtype: uint32
67%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 74/110 [00:35<00:08, 4.49it/s]
[2024-02-21 21:09:57] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.5.mlp.down_proj.q_scale[0m", shape: (2048, 512), dtype: float16
67%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 74/110 [00:35<00:08, 4.49it/s]
71%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 78/110 [00:35<00:05, 6.38it/s]
[2024-02-21 21:09:58] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.5.mlp.gate_up_proj.q_weight[0m", shape: (32768, 256), dtype: uint32
71%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 78/110 [00:36<00:05, 6.38it/s]
[2024-02-21 21:09:58] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.5.mlp.gate_up_proj.q_scale[0m", shape: (32768, 64), dtype: float16
71%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 78/110 [00:36<00:05, 6.38it/s]
[2024-02-21 21:09:58] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.5.post_attention_layernorm.weight[0m", shape: (2048,), dtype: float16
71%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 78/110 [00:36<00:05, 6.38it/s]
73%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████ | 80/110 [00:36<00:07, 4.13it/s]
[2024-02-21 21:09:58] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.5.self_attn.qkv_proj.q_weight[0m", shape: (2560, 256), dtype: uint32
73%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████ | 80/110 [00:36<00:07, 4.13it/s]
[2024-02-21 21:09:58] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.5.self_attn.qkv_proj.q_scale[0m", shape: (2560, 64), dtype: float16
73%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████ | 80/110 [00:36<00:07, 4.13it/s]
[2024-02-21 21:09:58] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.5.self_attn.o_proj.q_weight[0m", shape: (2048, 256), dtype: uint32
73%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████ | 80/110 [00:36<00:07, 4.13it/s]
[2024-02-21 21:09:58] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.5.self_attn.o_proj.q_scale[0m", shape: (2048, 64), dtype: float16
73%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████ | 80/110 [00:36<00:07, 4.13it/s]
75%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 82/110 [00:36<00:05, 5.13it/s]
[2024-02-21 21:09:58] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.6.input_layernorm.weight[0m", shape: (2048,), dtype: float16
75%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 82/110 [00:36<00:05, 5.13it/s]
[2024-02-21 21:09:59] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.6.mlp.down_proj.q_weight[0m", shape: (2048, 2048), dtype: uint32
75%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 82/110 [00:36<00:05, 5.13it/s]
[2024-02-21 21:09:59] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.6.mlp.down_proj.q_scale[0m", shape: (2048, 512), dtype: float16
75%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 82/110 [00:36<00:05, 5.13it/s]
76%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 84/110 [00:36<00:04, 5.55it/s]
[2024-02-21 21:09:59] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.6.mlp.gate_up_proj.q_weight[0m", shape: (32768, 256), dtype: uint32
76%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 84/110 [00:37<00:04, 5.55it/s]
[2024-02-21 21:10:00] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.6.mlp.gate_up_proj.q_scale[0m", shape: (32768, 64), dtype: float16
76%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 84/110 [00:37<00:04, 5.55it/s]
[2024-02-21 21:10:00] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.6.post_attention_layernorm.weight[0m", shape: (2048,), dtype: float16
76%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 84/110 [00:37<00:04, 5.55it/s]
78%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 86/110 [00:37<00:06, 3.79it/s]
[2024-02-21 21:10:00] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.6.self_attn.qkv_proj.q_weight[0m", shape: (2560, 256), dtype: uint32
78%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 86/110 [00:37<00:06, 3.79it/s]
[2024-02-21 21:10:00] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.6.self_attn.qkv_proj.q_scale[0m", shape: (2560, 64), dtype: float16
78%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 86/110 [00:37<00:06, 3.79it/s]
[2024-02-21 21:10:00] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.6.self_attn.o_proj.q_weight[0m", shape: (2048, 256), dtype: uint32
78%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 86/110 [00:37<00:06, 3.79it/s]
[2024-02-21 21:10:00] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.6.self_attn.o_proj.q_scale[0m", shape: (2048, 64), dtype: float16
78%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 86/110 [00:37<00:06, 3.79it/s]
[2024-02-21 21:10:00] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.7.input_layernorm.weight[0m", shape: (2048,), dtype: float16
78%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 86/110 [00:37<00:06, 3.79it/s]
[2024-02-21 21:10:00] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.7.mlp.down_proj.q_weight[0m", shape: (2048, 2048), dtype: uint32
78%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 86/110 [00:37<00:06, 3.79it/s]
[2024-02-21 21:10:00] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.7.mlp.down_proj.q_scale[0m", shape: (2048, 512), dtype: float16
78%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 86/110 [00:37<00:06, 3.79it/s]
82%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 90/110 [00:37<00:03, 5.57it/s]
[2024-02-21 21:10:01] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.7.mlp.gate_up_proj.q_weight[0m", shape: (32768, 256), dtype: uint32
82%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 90/110 [00:38<00:03, 5.57it/s]
[2024-02-21 21:10:01] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.7.mlp.gate_up_proj.q_scale[0m", shape: (32768, 64), dtype: float16
82%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 90/110 [00:38<00:03, 5.57it/s]
83%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 91/110 [00:38<00:05, 3.61it/s]
[2024-02-21 21:10:01] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.7.post_attention_layernorm.weight[0m", shape: (2048,), dtype: float16
83%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 91/110 [00:38<00:05, 3.61it/s]
[2024-02-21 21:10:01] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.7.self_attn.qkv_proj.q_weight[0m", shape: (2560, 256), dtype: uint32
83%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 91/110 [00:38<00:05, 3.61it/s]
[2024-02-21 21:10:01] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.7.self_attn.qkv_proj.q_scale[0m", shape: (2560, 64), dtype: float16
83%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 91/110 [00:38<00:05, 3.61it/s]
[2024-02-21 21:10:01] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.7.self_attn.o_proj.q_weight[0m", shape: (2048, 256), dtype: uint32
83%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 91/110 [00:38<00:05, 3.61it/s]
[2024-02-21 21:10:01] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.7.self_attn.o_proj.q_scale[0m", shape: (2048, 64), dtype: float16
83%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 91/110 [00:38<00:05, 3.61it/s]
[2024-02-21 21:10:01] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.8.input_layernorm.weight[0m", shape: (2048,), dtype: float16
83%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 91/110 [00:38<00:05, 3.61it/s]
[2024-02-21 21:10:01] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.8.mlp.down_proj.q_weight[0m", shape: (2048, 2048), dtype: uint32
83%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 91/110 [00:39<00:05, 3.61it/s]
[2024-02-21 21:10:01] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.8.mlp.down_proj.q_scale[0m", shape: (2048, 512), dtype: float16
83%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 91/110 [00:39<00:05, 3.61it/s]
87%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 96/110 [00:39<00:02, 6.02it/s]
[2024-02-21 21:10:03] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.8.mlp.gate_up_proj.q_weight[0m", shape: (32768, 256), dtype: uint32
87%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 96/110 [00:40<00:02, 6.02it/s]
[2024-02-21 21:10:03] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.8.mlp.gate_up_proj.q_scale[0m", shape: (32768, 64), dtype: float16
87%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 96/110 [00:40<00:02, 6.02it/s]
[2024-02-21 21:10:03] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.8.post_attention_layernorm.weight[0m", shape: (2048,), dtype: float16
87%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 96/110 [00:40<00:02, 6.02it/s]
89%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 98/110 [00:40<00:04, 2.96it/s]
[2024-02-21 21:10:03] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.8.self_attn.qkv_proj.q_weight[0m", shape: (2560, 256), dtype: uint32
89%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 98/110 [00:41<00:04, 2.96it/s]
[2024-02-21 21:10:03] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.8.self_attn.qkv_proj.q_scale[0m", shape: (2560, 64), dtype: float16
89%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 98/110 [00:41<00:04, 2.96it/s]
[2024-02-21 21:10:03] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.8.self_attn.o_proj.q_weight[0m", shape: (2048, 256), dtype: uint32
89%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 98/110 [00:41<00:04, 2.96it/s]
[2024-02-21 21:10:03] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.8.self_attn.o_proj.q_scale[0m", shape: (2048, 64), dtype: float16
89%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 98/110 [00:41<00:04, 2.96it/s]
[2024-02-21 21:10:03] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.9.input_layernorm.weight[0m", shape: (2048,), dtype: float16
89%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 98/110 [00:41<00:04, 2.96it/s]
[2024-02-21 21:10:03] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.9.mlp.down_proj.q_weight[0m", shape: (2048, 2048), dtype: uint32
89%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 98/110 [00:41<00:04, 2.96it/s]
[2024-02-21 21:10:03] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.9.mlp.down_proj.q_scale[0m", shape: (2048, 512), dtype: float16
89%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 98/110 [00:41<00:04, 2.96it/s]
93%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 102/110 [00:41<00:01, 4.24it/s]
[2024-02-21 21:10:04] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.9.mlp.gate_up_proj.q_weight[0m", shape: (32768, 256), dtype: uint32
93%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 102/110 [00:41<00:01, 4.24it/s]
[2024-02-21 21:10:04] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.9.mlp.gate_up_proj.q_scale[0m", shape: (32768, 64), dtype: float16
93%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 102/110 [00:41<00:01, 4.24it/s]
94%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 103/110 [00:41<00:01, 3.59it/s]
[2024-02-21 21:10:04] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.9.post_attention_layernorm.weight[0m", shape: (2048,), dtype: float16
94%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 103/110 [00:41<00:01, 3.59it/s]
[2024-02-21 21:10:04] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.9.self_attn.qkv_proj.q_weight[0m", shape: (2560, 256), dtype: uint32
94%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 103/110 [00:41<00:01, 3.59it/s]
[2024-02-21 21:10:04] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.9.self_attn.qkv_proj.q_scale[0m", shape: (2560, 64), dtype: float16
94%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 103/110 [00:41<00:01, 3.59it/s]
[2024-02-21 21:10:04] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.9.self_attn.o_proj.q_weight[0m", shape: (2048, 256), dtype: uint32
94%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 103/110 [00:41<00:01, 3.59it/s]
[2024-02-21 21:10:04] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.9.self_attn.o_proj.q_scale[0m", shape: (2048, 64), dtype: float16
94%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 103/110 [00:41<00:01, 3.59it/s]
[2024-02-21 21:10:04] INFO huggingface_loader.py:194: Unloading HF weight file: /models/gemma-2b-it/model-00001-of-00002.safetensors
94%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 103/110 [00:41<00:01, 3.59it/s]
[2024-02-21 21:10:05] INFO huggingface_loader.py:182: Loading HF parameters from: /models/gemma-2b-it/model-00002-of-00002.safetensors
94%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 103/110 [00:42<00:01, 3.59it/s]
[2024-02-21 21:10:05] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.17.input_layernorm.weight[0m", shape: (2048,), dtype: float16
94%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 103/110 [00:42<00:01, 3.59it/s]
97%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 107/110 [00:42<00:00, 3.65it/s]
[2024-02-21 21:10:06] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.17.mlp.down_proj.q_weight[0m", shape: (2048, 2048), dtype: uint32
97%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 107/110 [00:43<00:00, 3.65it/s]
[2024-02-21 21:10:06] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.17.mlp.down_proj.q_scale[0m", shape: (2048, 512), dtype: float16
97%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 107/110 [00:43<00:00, 3.65it/s]
98%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 108/110 [00:43<00:00, 2.70it/s]
[2024-02-21 21:10:06] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.17.post_attention_layernorm.weight[0m", shape: (2048,), dtype: float16
98%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 108/110 [00:43<00:00, 2.70it/s]
[2024-02-21 21:10:06] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.norm.weight[0m", shape: (2048,), dtype: float16
98%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 108/110 [00:43<00:00, 2.70it/s]
100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 110/110 [00:43<00:00, 2.50it/s]
[2024-02-21 21:10:06] INFO huggingface_loader.py:194: Unloading HF weight file: /models/gemma-2b-it/model-00002-of-00002.safetensors
[2024-02-21 21:10:06] INFO stats.py:76: [92mTime usage[0m: HF loading: 12.610 sec; Pre-quantization mapping: 25.853 sec; Quantization: 3.268 sec
[2024-02-21 21:10:06] INFO stats.py:90: [92mRAM usage[0m: Peak RAM: 9.211 GB. Total bytes loaded from disk: 9.336 GB
[2024-02-21 21:10:06] INFO convert_weight.py:132: [92mParameter size[0m after quantization: 1.313 GB
[2024-02-21 21:10:06] INFO convert_weight.py:137: [92mTotal parameters[0m: 2,506,172,416
[2024-02-21 21:10:06] INFO convert_weight.py:138: [92mBits per parameter[0m: 4.500
Start storing to cache /tmp/tmp8p1wh14f
[0001/0183] saving model.embed_tokens.q_weight
[0002/0183] saving model.embed_tokens.q_scale
[0003/0183] saving model.layers.0.input_layernorm.weight
[0004/0183] saving model.layers.0.mlp.down_proj.q_weight
[0005/0183] saving model.layers.0.mlp.down_proj.q_scale
[0006/0183] saving model.layers.0.mlp.gate_up_proj.q_weight
[0007/0183] saving model.layers.0.mlp.gate_up_proj.q_scale
[0008/0183] saving model.layers.0.post_attention_layernorm.weight
[0009/0183] saving model.layers.0.self_attn.qkv_proj.q_weight
[0010/0183] saving model.layers.0.self_attn.qkv_proj.q_scale
[0011/0183] saving model.layers.0.self_attn.o_proj.q_weight
[0012/0183] saving model.layers.0.self_attn.o_proj.q_scale
[0013/0183] saving model.layers.1.input_layernorm.weight
[0014/0183] saving model.layers.1.mlp.down_proj.q_weight
[0015/0183] saving model.layers.1.mlp.down_proj.q_scale
[0016/0183] saving model.layers.1.mlp.gate_up_proj.q_weight
[0017/0183] saving model.layers.1.mlp.gate_up_proj.q_scale
[0018/0183] saving model.layers.1.post_attention_layernorm.weight
[0019/0183] saving model.layers.1.self_attn.qkv_proj.q_weight
[0020/0183] saving model.layers.1.self_attn.qkv_proj.q_scale
[0021/0183] saving model.layers.1.self_attn.o_proj.q_weight
[0022/0183] saving model.layers.1.self_attn.o_proj.q_scale
[0023/0183] saving model.layers.10.input_layernorm.weight
[0024/0183] saving model.layers.10.mlp.down_proj.q_weight
[0025/0183] saving model.layers.10.mlp.down_proj.q_scale
[0026/0183] saving model.layers.10.mlp.gate_up_proj.q_weight
[0027/0183] saving model.layers.10.mlp.gate_up_proj.q_scale
[0028/0183] saving model.layers.10.post_attention_layernorm.weight
[0029/0183] saving model.layers.10.self_attn.qkv_proj.q_weight
[0030/0183] saving model.layers.10.self_attn.qkv_proj.q_scale
[0031/0183] saving model.layers.10.self_attn.o_proj.q_weight
[0032/0183] saving model.layers.10.self_attn.o_proj.q_scale
[0033/0183] saving model.layers.11.input_layernorm.weight
[0034/0183] saving model.layers.11.mlp.down_proj.q_weight
[0035/0183] saving model.layers.11.mlp.down_proj.q_scale
[0036/0183] saving model.layers.11.mlp.gate_up_proj.q_weight
[0037/0183] saving model.layers.11.mlp.gate_up_proj.q_scale
[0038/0183] saving model.layers.11.post_attention_layernorm.weight
[0039/0183] saving model.layers.11.self_attn.qkv_proj.q_weight
[0040/0183] saving model.layers.11.self_attn.qkv_proj.q_scale
[0041/0183] saving model.layers.11.self_attn.o_proj.q_weight
[0042/0183] saving model.layers.11.self_attn.o_proj.q_scale
[0043/0183] saving model.layers.12.input_layernorm.weight
[0044/0183] saving model.layers.12.mlp.down_proj.q_weight
[0045/0183] saving model.layers.12.mlp.down_proj.q_scale
[0046/0183] saving model.layers.12.mlp.gate_up_proj.q_weight
[0047/0183] saving model.layers.12.mlp.gate_up_proj.q_scale
[0048/0183] saving model.layers.12.post_attention_layernorm.weight
[0049/0183] saving model.layers.12.self_attn.qkv_proj.q_weight
[0050/0183] saving model.layers.12.self_attn.qkv_proj.q_scale
[0051/0183] saving model.layers.12.self_attn.o_proj.q_weight
[0052/0183] saving model.layers.12.self_attn.o_proj.q_scale
[0053/0183] saving model.layers.13.input_layernorm.weight
[0054/0183] saving model.layers.13.mlp.down_proj.q_weight
[0055/0183] saving model.layers.13.mlp.down_proj.q_scale
[0056/0183] saving model.layers.13.mlp.gate_up_proj.q_weight
[0057/0183] saving model.layers.13.mlp.gate_up_proj.q_scale
[0058/0183] saving model.layers.13.post_attention_layernorm.weight
[0059/0183] saving model.layers.13.self_attn.qkv_proj.q_weight
[0060/0183] saving model.layers.13.self_attn.qkv_proj.q_scale
[0061/0183] saving model.layers.13.self_attn.o_proj.q_weight
[0062/0183] saving model.layers.13.self_attn.o_proj.q_scale
[0063/0183] saving model.layers.14.input_layernorm.weight
[0064/0183] saving model.layers.14.mlp.down_proj.q_weight
[0065/0183] saving model.layers.14.mlp.down_proj.q_scale
[0066/0183] saving model.layers.14.mlp.gate_up_proj.q_weight
[0067/0183] saving model.layers.14.mlp.gate_up_proj.q_scale
[0068/0183] saving model.layers.14.post_attention_layernorm.weight
[0069/0183] saving model.layers.14.self_attn.qkv_proj.q_weight
[0070/0183] saving model.layers.14.self_attn.qkv_proj.q_scale
[0071/0183] saving model.layers.14.self_attn.o_proj.q_weight
[0072/0183] saving model.layers.14.self_attn.o_proj.q_scale
[0073/0183] saving model.layers.15.input_layernorm.weight
[0074/0183] saving model.layers.15.mlp.down_proj.q_weight
[0075/0183] saving model.layers.15.mlp.down_proj.q_scale
[0076/0183] saving model.layers.15.mlp.gate_up_proj.q_weight
[0077/0183] saving model.layers.15.mlp.gate_up_proj.q_scale
[0078/0183] saving model.layers.15.post_attention_layernorm.weight
[0079/0183] saving model.layers.15.self_attn.qkv_proj.q_weight
[0080/0183] saving model.layers.15.self_attn.qkv_proj.q_scale
[0081/0183] saving model.layers.15.self_attn.o_proj.q_weight
[0082/0183] saving model.layers.15.self_attn.o_proj.q_scale
[0083/0183] saving model.layers.16.input_layernorm.weight
[0084/0183] saving model.layers.16.mlp.down_proj.q_weight
[0085/0183] saving model.layers.16.mlp.down_proj.q_scale
[0086/0183] saving model.layers.16.mlp.gate_up_proj.q_weight
[0087/0183] saving model.layers.16.mlp.gate_up_proj.q_scale
[0088/0183] saving model.layers.16.post_attention_layernorm.weight
[0089/0183] saving model.layers.16.self_attn.qkv_proj.q_weight
[0090/0183] saving model.layers.16.self_attn.qkv_proj.q_scale
[0091/0183] saving model.layers.16.self_attn.o_proj.q_weight
[0092/0183] saving model.layers.16.self_attn.o_proj.q_scale
[0093/0183] saving model.layers.17.mlp.gate_up_proj.q_weight
[0094/0183] saving model.layers.17.mlp.gate_up_proj.q_scale
[0095/0183] saving model.layers.17.self_attn.qkv_proj.q_weight
[0096/0183] saving model.layers.17.self_attn.qkv_proj.q_scale
[0097/0183] saving model.layers.17.self_attn.o_proj.q_weight
[0098/0183] saving model.layers.17.self_attn.o_proj.q_scale
[0099/0183] saving model.layers.2.input_layernorm.weight
[0100/0183] saving model.layers.2.mlp.down_proj.q_weight
[0101/0183] saving model.layers.2.mlp.down_proj.q_scale
[0102/0183] saving model.layers.2.mlp.gate_up_proj.q_weight
[0103/0183] saving model.layers.2.mlp.gate_up_proj.q_scale
[0104/0183] saving model.layers.2.post_attention_layernorm.weight
[0105/0183] saving model.layers.2.self_attn.qkv_proj.q_weight
[0106/0183] saving model.layers.2.self_attn.qkv_proj.q_scale
[0107/0183] saving model.layers.2.self_attn.o_proj.q_weight
[0108/0183] saving model.layers.2.self_attn.o_proj.q_scale
[0109/0183] saving model.layers.3.input_layernorm.weight
[0110/0183] saving model.layers.3.mlp.down_proj.q_weight
[0111/0183] saving model.layers.3.mlp.down_proj.q_scale
[0112/0183] saving model.layers.3.mlp.gate_up_proj.q_weight
[0113/0183] saving model.layers.3.mlp.gate_up_proj.q_scale
[0114/0183] saving model.layers.3.post_attention_layernorm.weight
[0115/0183] saving model.layers.3.self_attn.qkv_proj.q_weight
[0116/0183] saving model.layers.3.self_attn.qkv_proj.q_scale
[0117/0183] saving model.layers.3.self_attn.o_proj.q_weight
[0118/0183] saving model.layers.3.self_attn.o_proj.q_scale
[0119/0183] saving model.layers.4.input_layernorm.weight
[0120/0183] saving model.layers.4.mlp.down_proj.q_weight
[0121/0183] saving model.layers.4.mlp.down_proj.q_scale
[0122/0183] saving model.layers.4.mlp.gate_up_proj.q_weight
[0123/0183] saving model.layers.4.mlp.gate_up_proj.q_scale
[0124/0183] saving model.layers.4.post_attention_layernorm.weight
[0125/0183] saving model.layers.4.self_attn.qkv_proj.q_weight
[0126/0183] saving model.layers.4.self_attn.qkv_proj.q_scale
[0127/0183] saving model.layers.4.self_attn.o_proj.q_weight
[0128/0183] saving model.layers.4.self_attn.o_proj.q_scale
[0129/0183] saving model.layers.5.input_layernorm.weight[2024-02-21 21:10:15] INFO convert_weight.py:154: Saved to directory: [1m/tmp/tmp8p1wh14f[0m
[0130/0183] saving model.layers.5.mlp.down_proj.q_weight
[0131/0183] saving model.layers.5.mlp.down_proj.q_scale
[0132/0183] saving model.layers.5.mlp.gate_up_proj.q_weight
[0133/0183] saving model.layers.5.mlp.gate_up_proj.q_scale
[0134/0183] saving model.layers.5.post_attention_layernorm.weight
[0135/0183] saving model.layers.5.self_attn.qkv_proj.q_weight
[0136/0183] saving model.layers.5.self_attn.qkv_proj.q_scale
[0137/0183] saving model.layers.5.self_attn.o_proj.q_weight
[0138/0183] saving model.layers.5.self_attn.o_proj.q_scale
[0139/0183] saving model.layers.6.input_layernorm.weight
[0140/0183] saving model.layers.6.mlp.down_proj.q_weight
[0141/0183] saving model.layers.6.mlp.down_proj.q_scale
[0142/0183] saving model.layers.6.mlp.gate_up_proj.q_weight
[0143/0183] saving model.layers.6.mlp.gate_up_proj.q_scale
[0144/0183] saving model.layers.6.post_attention_layernorm.weight
[0145/0183] saving model.layers.6.self_attn.qkv_proj.q_weight
[0146/0183] saving model.layers.6.self_attn.qkv_proj.q_scale
[0147/0183] saving model.layers.6.self_attn.o_proj.q_weight
[0148/0183] saving model.layers.6.self_attn.o_proj.q_scale
[0149/0183] saving model.layers.7.input_layernorm.weight
[0150/0183] saving model.layers.7.mlp.down_proj.q_weight
[0151/0183] saving model.layers.7.mlp.down_proj.q_scale
[0152/0183] saving model.layers.7.mlp.gate_up_proj.q_weight
[0153/0183] saving model.layers.7.mlp.gate_up_proj.q_scale
[0154/0183] saving model.layers.7.post_attention_layernorm.weight
[0155/0183] saving model.layers.7.self_attn.qkv_proj.q_weight
[0156/0183] saving model.layers.7.self_attn.qkv_proj.q_scale
[0157/0183] saving model.layers.7.self_attn.o_proj.q_weight
[0158/0183] saving model.layers.7.self_attn.o_proj.q_scale
[0159/0183] saving model.layers.8.input_layernorm.weight
[0160/0183] saving model.layers.8.mlp.down_proj.q_weight
[0161/0183] saving model.layers.8.mlp.down_proj.q_scale
[0162/0183] saving model.layers.8.mlp.gate_up_proj.q_weight
[0163/0183] saving model.layers.8.mlp.gate_up_proj.q_scale
[0164/0183] saving model.layers.8.post_attention_layernorm.weight
[0165/0183] saving model.layers.8.self_attn.qkv_proj.q_weight
[0166/0183] saving model.layers.8.self_attn.qkv_proj.q_scale
[0167/0183] saving model.layers.8.self_attn.o_proj.q_weight
[0168/0183] saving model.layers.8.self_attn.o_proj.q_scale
[0169/0183] saving model.layers.9.input_layernorm.weight
[0170/0183] saving model.layers.9.mlp.down_proj.q_weight
[0171/0183] saving model.layers.9.mlp.down_proj.q_scale
[0172/0183] saving model.layers.9.mlp.gate_up_proj.q_weight
[0173/0183] saving model.layers.9.mlp.gate_up_proj.q_scale
[0174/0183] saving model.layers.9.post_attention_layernorm.weight
[0175/0183] saving model.layers.9.self_attn.qkv_proj.q_weight
[0176/0183] saving model.layers.9.self_attn.qkv_proj.q_scale
[0177/0183] saving model.layers.9.self_attn.o_proj.q_weight
[0178/0183] saving model.layers.9.self_attn.o_proj.q_scale
[0179/0183] saving model.layers.17.input_layernorm.weight
[0180/0183] saving model.layers.17.mlp.down_proj.q_weight
[0181/0183] saving model.layers.17.mlp.down_proj.q_scale
[0182/0183] saving model.layers.17.post_attention_layernorm.weight
[0183/0183] saving model.norm.weight
All finished, 38 total shards committed, record saved to /tmp/tmp8p1wh14f/ndarray-cache.json
|