[Bug] 升级0.2.0 后，加载 qwen-14b 或者 internlm2-chat-20b 的awq量化模型报显存错误

[WCwalker]

Checklist

• 1. I have searched related issues but cannot get the expected help.
• 2. The bug has not been fixed in the latest version.

Describe the bug

Exception in thread Thread-132 (_create_model_instance):
Traceback (most recent call last):
File "/home/mingqiang/.conda/envs/qwen/lib/python3.10/threading.py", line 1009, in _bootstrap_inner
self.run()
File "/home/mingqiang/.conda/envs/qwen/lib/python3.10/threading.py", line 946, in run
self._target(*self._args, **self._kwargs)
File "/home/mingqiang/.conda/envs/qwen/lib/python3.10/site-packages/lmdeploy/turbomind/turbomind.py", line 486, in _create_model_instance
model_inst = self.tm_model.model_comm.create_model_instance(
RuntimeError: [TM][ERROR] CUDA runtime error: out of memory /lmdeploy/src/turbomind/utils/allocator.h:231

Reproduction

import lmdeploy

model_path = '/home/mingqiang/model/model_file/qwen-14b-chat-finetune-4bit/'
pipe = lmdeploy.pipeline(model_path, model_name='qwen-14b')
response = pipe(["你是谁", "你在哪"])
print(response)

Environment

lmdepoly==0.2.0

Error traceback

No response

[miaoerduo]

大佬，我也碰到一样的问题了，想请教一下你，用上一个版本可以正常serving吗？另外在部署internlm2-chat-20b-4bits时，会出现无法找到tokenizer.json的情况，是否就是tokenizer_config.json这个文件？

[WCwalker]

大佬，我也碰到一样的问题了，想请教一下你，用上一个版本可以正常serving吗？另外在部署internlm2-chat-20b-4bits时，会出现无法找到tokenizer.json的情况，是否就是tokenizer_config.json这个文件？

我今天早上还在用 0.1.0， 然后发现0.2.0才支持`internlm2-chat-20b-4bits”，所以刚刚升级了，结果就报错了，连之前能运行的qwen14量化模型也报这个错，然后我就降级回0.1.0，qwen就可以了

[WCwalker]

大佬，我也碰到一样的问题了，想请教一下你，用上一个版本可以正常serving吗？另外在部署internlm2-chat-20b-4bits时，会出现无法找到tokenizer.json的情况，是否就是tokenizer_config.json这个文件？

我觉得应该不是tokenizer.json这个问题

[miaoerduo]

大佬，我也碰到一样的问题了，想请教一下你，用上一个版本可以正常serving吗？另外在部署internlm2-chat-20b-4bits时，会出现无法找到tokenizer.json的情况，是否就是tokenizer_config.json这个文件？

我觉得应该不是tokenizer.json这个问题

那这个文件，怎么获取呢？我看之前的模型也没有这个。

另外，最近有fix OOM的MR，说不定就是fix这个问题的。#973

[WCwalker]

大佬，我也碰到一样的问题了，想请教一下你，用上一个版本可以正常serving吗？另外在部署internlm2-chat-20b-4bits时，会出现无法找到tokenizer.json的情况，是否就是tokenizer_config.json这个文件？

我觉得应该不是tokenizer.json这个问题

那这个文件，怎么获取呢？我看之前的模型也没有这个。

另外，最近有fix OOM的MR，说不定就是fix这个问题的。#973

暂时没搞懂什么问题，先不测internlm2-chat-20b-4bits的效果了，等官方的大佬看看怎么修，我这边先保持0.1.0跑吧

[lvhan028]

什么型号的显卡？用的是哪个命令？

[WCwalker]

什么型号的显卡？用的是哪个命令？

A800,
运行样例
import lmdeploy

model_path = '/home/mingqiang/model/model_file/qwen-14b-chat-finetune-4bit/'
pipe = lmdeploy.pipeline(model_path, model_name='qwen-14b')
response = pipe(["你是谁", "你在哪"])
print(response)

[miaoerduo]

什么型号的显卡？用的是哪个命令？

我的是4090.

命令参考的 HF(https://huggingface.co/internlm/internlm2-chat-20b-4bits)：

lmdeploy serve api_server internlm/internlm2-chat-20b-4bits --backend turbomind --model-format awq

[lvhan028]

加一个选项: --cache-max-entry-count 0.4 试试。

[WCwalker]

加一个选项: --cache-max-entry-count 0.4 试试。

我今天测试了，要设0.3或者更少才行，但是加载internlm2-chat-20b 模型有另外的问题，停止符有问题，会一直推理停不下来

[lvhan028]

internlm2-chat-20b模型上周更新了special_tokens，对应的要使用 lmdeploy v0.2.1
更新下lmdeploy再试试看呢？

[WCwalker]

对应的要使用 lmdeploy v0.2.1
更新下lmdeploy再试试看呢？

我就是刚刚更了 0.2.1 跑出来的：
sys.platform: linux
Python: 3.10.13 (main, Sep 11 2023, 13:44:35) [GCC 11.2.0]
CUDA available: True
numpy_random_seed: 2147483648
GPU 0,1,2,3: NVIDIA A800 80GB PCIe
CUDA_HOME: /usr/local/cuda
NVCC: Cuda compilation tools, release 12.1, V12.1.105
GCC: gcc (Debian 10.2.1-6) 10.2.1 20210110
PyTorch: 2.1.2+cu121
PyTorch compiling details: PyTorch built with:

• GCC 9.3
• C++ Version: 201703
• Intel(R) oneAPI Math Kernel Library Version 2022.2-Product Build 20220804 for Intel(R) 64 architecture applications
• Intel(R) MKL-DNN v3.1.1 (Git Hash 64f6bcbcbab628e96f33a62c3e975f8535a7bde4)
• OpenMP 201511 (a.k.a. OpenMP 4.5)
• LAPACK is enabled (usually provided by MKL)
• NNPACK is enabled
• CPU capability usage: AVX512
• CUDA Runtime 12.1
• NVCC architecture flags: -gencode;arch=compute_50,code=sm_50;-gencode;arch=compute_60,code=sm_60;-gencode;arch=compute_70,code=sm_70;-gencode;arch=compute_75,code=sm_75;-gencode;arch=compute_80,code=sm_80;-gencode;arch=compute_86,code=sm_86;-gencode;arch=compute_90,code=sm_90
• CuDNN 8.9.2
• Magma 2.6.1
• Build settings: BLAS_INFO=mkl, BUILD_TYPE=Release, CUDA_VERSION=12.1, CUDNN_VERSION=8.9.2, CXX_COMPILER=/opt/rh/devtoolset-9/root/usr/bin/c++, CXX_FLAGS= -D_GLIBCXX_USE_CXX11_ABI=0 -fabi-version=11 -fvisibility-inlines-hidden -DUSE_PTHREADPOOL -DNDEBUG -DUSE_KINETO -DLIBKINETO_NOROCTRACER -DUSE_FBGEMM -DUSE_QNNPACK -DUSE_PYTORCH_QNNPACK -DUSE_XNNPACK -DSYMBOLICATE_MOBILE_DEBUG_HANDLE -O2 -fPIC -Wall -Wextra -Werror=return-type -Werror=non-virtual-dtor -Werror=bool-operation -Wnarrowing -Wno-missing-field-initializers -Wno-type-limits -Wno-array-bounds -Wno-unknown-pragmas -Wno-unused-parameter -Wno-unused-function -Wno-unused-result -Wno-strict-overflow -Wno-strict-aliasing -Wno-stringop-overflow -Wno-psabi -Wno-error=pedantic -Wno-error=old-style-cast -Wno-invalid-partial-specialization -Wno-unused-private-field -Wno-aligned-allocation-unavailable -Wno-missing-braces -fdiagnostics-color=always -faligned-new -Wno-unused-but-set-variable -Wno-maybe-uninitialized -fno-math-errno -fno-trapping-math -Werror=format -Werror=cast-function-type -Wno-stringop-overflow, LAPACK_INFO=mkl, PERF_WITH_AVX=1, PERF_WITH_AVX2=1, PERF_WITH_AVX512=1, TORCH_DISABLE_GPU_ASSERTS=ON, TORCH_VERSION=2.1.2, USE_CUDA=ON, USE_CUDNN=ON, USE_EXCEPTION_PTR=1, USE_GFLAGS=OFF, USE_GLOG=OFF, USE_MKL=ON, USE_MKLDNN=ON, USE_MPI=OFF, USE_NCCL=1, USE_NNPACK=ON, USE_OPENMP=ON, USE_ROCM=OFF,

LMDeploy: 0.2.1+
transformers: 4.36.2
gradio: Not Found
fastapi: 0.109.0
pydantic: 2.5.3

[WCwalker]

internlm2-chat-20b模型上周更新了special_tokens，对应的要使用 lmdeploy v0.2.1 更新下lmdeploy再试试看呢？

已经可以了，我刚刚上去更新了 internlm2-chat-20b 模型里面的tokenizer_config.json