text-generation-webui
是一个基于Gradio的LLM Web UI开源项目，可以利用其快速搭建各种文本生成的大模型环境。
text-generation-webui的readme其实已写得相当详细了，这里就不再重复，只说1个可能存在的坑：
安装 peft 安装卡住
requirements.txt 中有一些依赖项，需要访问github网站，国内经常会打不开，看看这个文件的内容：
aiofiles==23.1.0
fastapi==0.95.2
gradio_client==0.2.5
gradio==3.33.1
accelerate==0.21.0
colorama
datasets
einops
markdown
numpy
pandas
Pillow>=9.5.0
pyyaml
requests
safetensors==0.3.1
scipy
sentencepiece
tensorboard
wandb
git+https://github.com/huggingface/peft@4b371b489b9850fd583f204cdf8b5471e098d4e4
git+https://github.com/huggingface/transformers@baf1daa58eb2960248fd9f7c3af0ed245b8ce4af
bitsandbytes==0.41.1; platform_system != "Windows"
https://github.com/jllllll/bitsandbytes-windows-webui/releases/download/wheels/bitsandbytes-0.41.1-py3-none-win_amd64.whl; platform_system == "Windows"
https://github.com/PanQiWei/AutoGPTQ/releases/download/v0.4.1/auto_gptq-0.4.1+cu117-cp310-cp310-win_amd64.whl; platform_system == "Windows"
https://github.com/PanQiWei/AutoGPTQ/releases/download/v0.4.1/auto_gptq-0.4.1+cu117-cp310-cp310-linux_x86_64.whl; platform_system == "Linux" and platform_machine == "x86_64"
https://github.com/jllllll/exllama/releases/download/0.0.10/exllama-0.0.10+cu117-cp310-cp310-win_amd64.whl; platform_system == "Windows"
https://github.com/jllllll/exllama/releases/download/0.0.10/exllama-0.0.10+cu117-cp310-cp310-linux_x86_64.whl; platform_system == "Linux" and platform_machine == "x86_64"
# llama-cpp-python without GPU support
llama-cpp-python==0.1.78; platform_system != "Windows"
https://github.com/abetlen/llama-cpp-python/releases/download/v0.1.78/llama_cpp_python-0.1.78-cp310-cp310-win_amd64.whl; platform_system == "Windows"
# llama-cpp-python with CUDA support
https://github.com/jllllll/llama-cpp-python-cuBLAS-wheels/releases/download/textgen-webui/llama_cpp_python_cuda-0.1.78+cu117-cp310-cp310-win_amd64.whl; platform_system == "Windows"
https://github.com/jllllll/llama-cpp-python-cuBLAS-wheels/releases/download/textgen-webui/llama_cpp_python_cuda-0.1.78+cu117-cp310-cp310-linux_x86_64.whl; platform_system == "Linux" and platform_machine == "x86_64"
# GPTQ-for-LLaMa
https://github.com/jllllll/GPTQ-for-LLaMa-CUDA/releases/download/0.1.0/gptq_for_llama-0.1.0+cu117-cp310-cp310-win_amd64.whl; platform_system == "Windows"
https://github.com/jllllll/GPTQ-for-LLaMa-CUDA/releases/download/0.1.0/gptq_for_llama-0.1.0+cu117-cp310-cp310-linux_x86_64.whl; platform_system == "Linux" and platform_machine == "x86_64"
# ctransformers
https://github.com/jllllll/ctransformers-cuBLAS-wheels/releases/download/AVX2/ctransformers-0.2.22+cu117-py3-none-any.whl
如果安装peft时，项目无法下载，可以把 这行注释掉。然后再开1个终端，直接用
pip install peft -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install transformers -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install accelerate -i https://pypi.tuna.tsinghua.edu.cn/simple
走国内镜像安装，然后再回到原来的终端 pip install -r requirements.txt, 其它依赖项，也是这个思路。
二、启动及model下载
python server.py 即可启动，刚启动时没有任何模型，需要手动下载。
huggingface.co的模型，只要允许下载的，text-generation-webui都能下载， 不过这个速度比较慢，而且容易中断，我个人更建议手动下载（比如 git LFS工具，或者国内有一些镜像或网盘上，有热心网友上传了副本），如果是手动下载，只要把模型放到 text-generation-webui/models 目录下即可。
三、加载模型
3.1 Llam2 模型加载
这里选择 TheBloke/Llama-2-7B-Chat-GGML · Hugging Face 这个Llama2模型测试，选择后发现自动默认用了llama.cpp 这个c++版本的loader（注：c++版本的推理速度更快)
然后就可以 体验了，建议先设置成chat模式：
测试一下：
可以发现，Llama2对中文支持一般般，默认情况下，用中文提问，回答却是英文。除非手动加上指令"[用中文回答]"，而且不会作诗（这一点比不上国产的chatGLM)
3.2 ChatGLM2-6B
text-generate-webui 对chatGLM的支持还不太完善，虽然能跑，但有些坑：
坑1：bitsandbytes 这个库在我机器上(windows 10 + WSL2 + ubuntu，LLM模型跑在WSL2上），必须把它给卸载（pip uninstall bitsandbytes） ，否则模型加载会失败
坑2：不能选量化(不管是4还是8均报错），还必须勾上trust-remote-code
另外：WSL2的内存设置，建议至少24G，不然加载模型时，可以因为内存不足会自动Killed(加载完成后过一会儿，内存好象又会略降一些)，下图是我机器的实际内存占用
bitsandbytes与WSL2中的cuda不能很好兼容，就算跑在GPU上，感觉也有点卡，不如chatGLM.cpp顺畅 ，但不太影响小白学习
另外，如果有网友遇到model加载成功，但是测试过程中，AI总是不回答，可以尝试下，修改chatGLM2-6B目录中tokenization_chatglm.py，78行后，加一行代码：
self._eos_token='<eos>'
