边缘运行小型语言模型入门指南

在 Jetson Orin 开发套件上设置 Ollama 的方法——配置跨云和边缘的联合语言模型的关键步骤。

译自 How To Get Started Running Small Language Models at the Edge，作者 Janakiram MSV。

在我之前的文章中，我介绍了联邦语言模型的概念，它利用了运行在云端的大型语言模型 (LLM) 和运行在边缘的小型语言模型 (SLM)。

我的目标是在边缘运行一个 SLM，它可以根据本地工具提供的上下文来响应用户查询。英伟达 Jetson Orin 开发套件 是这种用例的理想选择之一，它运行着像微软 Phi-3 这样的 SLM。

在本教程中，我将引导您完成在 Jetson Orin 开发套件上配置Ollama（一个轻量级模型服务器）的步骤，该服务器利用 GPU 加速来加快 Phi-3 的推理速度。这是配置跨越云和边缘的联邦语言模型的关键步骤之一。

什么是英伟达 Jetson AGX Orin 开发套件？

NVIDIA Jetson AGX Orin 开发套件代表了边缘 AI 和机器人计算的重大进步。这款强大的套件包含一个高性能的 Jetson AGX Orin 模块，能够提供高达 275 TOPS 的 AI 性能，并且比其前身 Jetson AGX Xavier 的功能提升了八倍。开发套件旨在模拟所有 Jetson Orin 模块的性能和功耗特性，使其成为开发人员在各个行业开发高级机器人和边缘 AI 应用的极其通用的工具。

开发套件的核心是 Jetson AGX Orin 模块，它配备了英伟达 Ampere 架构 GPU，拥有 2048 个 CUDA 内核和 64 个张量内核，以及一个 12 核 Arm Cortex-A78AE CPU。该套件配备了一个参考载板，该载板公开了许多标准硬件接口，从而能够快速进行原型设计和开发。Jetson AGX Orin 开发套件提供 32GB 或 64GB 内存选项，支持多个并发 AI 推理管道，以及 15W 到 50W 的功耗配置，为开发人员提供了一个灵活且强大的平台，用于在制造、物流、医疗保健和智慧城市等领域创建尖端的 AI 解决方案。

对于这种情况，我使用的是配备 32GB RAM 和 64GB eMMC 存储的 Jetson AGX Orin 开发套件。它运行着最新版本的 Jetpack 6.0，其中包含各种工具，包括 CUDA 运行时。

Jetpack 中最重要的组件是 Docker 和 Nvidia 容器工具包。

在 Jetson AGX Orin 开发套件上运行 Ollama

Ollama 是一个以 Docker 为模型的开发人员友好的 LLM 基础设施。它已经针对 Jetson 设备进行了优化。

与 Docker 类似，Ollama 也有两个组件：服务器和客户端。我们将首先安装客户端，它带有一个可以与推理引擎通信的 CLI。

wget https://github.com/ollama/ollama/releases/download/v0.2.8/ollama-linux-arm64
 
chmod +x ./ollama-linux-arm64
 
sudo mv ollama-linux-arm64 /usr/local/bin/ollama

上面的命令下载并安装了 Ollama 客户端。

使用以下命令验证客户端：

ollama --version

现在，我们将通过 Docker 容器运行 Ollama 推理服务器。这可以避免您在访问 GPU 时遇到的任何问题。

docker run -d \
--runtime nvidia \
--name ollama \
--network=host \
-v ~/models:/models \
-e OLLAMA_MODELS=/models \
dustynv/ollama:r36.2.0 ollama serve

此命令在主机网络上启动 Ollama 服务器，使客户端能够直接与引擎通信。服务器监听端口 11434，该端口公开了一个与 OpenAI 兼容的 REST 端点。

运行命令 ollama ps 显示一个空列表，因为我们还没有下载模型。

在 Ollama 上提供微软 Phi-3 SLM

微软的 Phi-3 代表了小型语言模型 (SLM) 的重大进步，它以紧凑的封装提供了令人印象深刻的功能。Phi-3 家族包括从 38 亿到 140 亿个参数的模型，其中 Phi-3-mini (38 亿) 已经可用，而更大的版本，如 Phi-3-small (70 亿) 和 Phi-3-medium (140 亿) 即将推出。

Phi-3 模型旨在提高效率和可访问性，使其适合部署在资源受限的边缘设备和智能手机上。它们采用 Transformer 解码器架构，默认上下文长度为 4K 个令牌，长上下文版本（Phi-3-mini-128K）扩展到 128K 个令牌。

在本教程中，我们将运行模型的 4K 版本，即 Phi-3 mini。

在 Ollama 容器运行且客户端安装后，我们可以使用以下命令拉取镜像：

ollama run phi3:mini

使用命令 ollama ls 检查模型。

从 Jupyter Notebook 访问 Phi-3

由于 Ollama 公开了与 OpenAI 兼容的 API 端点，因此我们可以使用标准 OpenAI Python 客户端与模型进行交互。

pip install openai

通过将 URL 替换为 Jetson Orin 的 IP 地址，尝试以下代码片段。

from openai import OpenAI

OLLAMA_URL = "YOUR_JETSON_IP::11434/v1/"
client = OpenAI(base_url=OLLAMA_URL, api_key='ollama')
prompt = "When was Mahatma Gandhi born? Answer in the most concise form."
model = "phi3:mini"
response = client.chat.completions.create(
    model=model,
    max_tokens=50,
    messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": prompt}
    ]
)
print(response.choices[0].message.content.strip())

在 Jetson 设备上，可以使用 jtop 命令监控 GPU 的使用情况。

本教程介绍了在 Nvidia Jetson Orin 边缘设备上运行 Microsoft Phi-3 SLM 所需的基本步骤。在本系列的下一部分中，我们将继续构建联邦 LM 应用程序，利用此模型。敬请关注。