一 LLama.cpp

LLama.cpp 支持x86，arm，gpu的编译。

1. github 下载llama.cpp

https://github.com/ggerganov/llama.cpp.git

2. gem5支持arm架构比较好，所以我们使用编译LLama.cpp。

以下是我对Makefile的修改

开始编译：

make UNAME_M=aarch64

编译会使用到aarch64-linux-gnu-gcc-10，编译成功可以生成一个main 文件，这里我把main重命名成main_arm_backup了。

可以使用file main查看一下文件：

3. 下载一个大模型的model到llama.cpp/models的目录下，这里我下载了llama-2-7b-chat.Q2_K.gguf。

这个模型2bit量化，跑起来不到3G的内存。

GGML_TYPE_Q2_K - "type-1" 2-bit quantization in super-blocks containing 16 blocks, each block having 16 weight. Block scales and mins are quantized with 4 bits. This ends up effectively using 2.5625 bits per weight (bpw)

4. 此时我们可以本地运行以下main和模型，我的prompt是How are you

./main  -m ./models/llama-2-7b-chat.Q2_K.gguf -p "How are you" -n 16

下图最下面一行就是模型自动生成的

---

二 gem5

gem5下载编译好后，我们可以使用gem5.fast运行模型了。

build/ARM/gem5.fast 

--outdir=./m5out/llm_9 

./configs/example/se.py -c

$LLAMA_path/llama.cpp/main-arm 

'--options=-m $LLAMA_path/llama-2-7b-chat.Q2_K.gguf -p Hi -n 16' 

--cpu-type=ArmAtomicSimpleCPU --mem-size=8GB -n 8

此时我的prompt是Hi，预期是n=8，跑8核。

上图是gem5运行大模型时生成的simout，我增加了AtomicCPU 运行指令数量的打印，这是在gem5的改动。

如果你下载的是gem5的源码，那么现在运行起来应该只是最前面大模型的输出。

模型的回答是Hi，I'm a 30-year-old male, and

但是我预期的是8核，实际上运行起来：

可以看出来，实际上只跑起来4核，定位后发现，模型默认是4核，需要增加-t 8选项，即threadnumber设置成8，下面的红色标注的command.

build/ARM/gem5.fast 

--outdir=./m5out/llm_9 

./configs/example/se.py -c

$LLAMA_path/llama.cpp/main-arm 

'--options=-m $LLAMA_path/llama-2-7b-chat.Q2_K.gguf -p Hi -n 16 -t 8' 

--cpu-type=ArmAtomicSimpleCPU --mem-size=8GB -n 8

如上图所示，8核都跑起来了，处理到Hi这个token的时候，CPU0执行了2.9 Billion指令，相对于4核时的5.4 Billion约减少了一半。