Skip to main content
Hugging Face 模型可以通过 HuggingFacePipeline 类在本地运行。 Hugging Face Model Hub 托管了超过 12 万个模型、2 万个数据集和 5 万个演示应用（Spaces），所有内容均为开源且公开可用，人们可以在此轻松协作，共同构建机器学习项目。 这些模型可以通过此本地 pipeline 封装器从 LangChain 调用，也可以通过 HuggingFaceHub 类调用其托管的推理端点。 使用前，您需要安装 transformers Python 包以及 pytorch。您还可以安装 xformer 以获得内存效率更高的注意力实现。 
pip install -qU transformers

​
模型加载

可以通过 from_model_id 方法指定模型参数来加载模型。 
from langchain_huggingface.llms import HuggingFacePipeline

hf = HuggingFacePipeline.from_model_id(
    model_id="gpt2",
    task="text-generation",
    pipeline_kwargs={"max_new_tokens": 10},
)
也可以直接传入已有的 transformers pipeline 来加载模型。 
from langchain_huggingface.llms import HuggingFacePipeline
from transformers import AutoModelForCausalLM, AutoTokenizer, pipeline

model_id = "gpt2"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id)
pipe = pipeline("text-generation", model=model, tokenizer=tokenizer, max_new_tokens=10)
hf = HuggingFacePipeline(pipeline=pipe)

​
创建链

将模型加载到内存后，您可以将其与 prompt 组合成链。 
from langchain_core.prompts import PromptTemplate

template = """Question: {question}

Answer: Let's think step by step."""
prompt = PromptTemplate.from_template(template)

chain = prompt | hf

question = "What is electroencephalography?"

print(chain.invoke({"question": question}))
如需获取不含 prompt 的响应，可以将 skip_prompt=True 绑定到 LLM。 
chain = prompt | hf.bind(skip_prompt=True)

question = "What is electroencephalography?"

print(chain.invoke({"question": question}))
流式响应。 
for chunk in chain.stream(question):
    print(chunk, end="", flush=True)

​
GPU 推理

在配备 GPU 的机器上运行时，可以通过指定 device=n 参数将模型放置到指定设备上。 默认值为 -1，表示使用 CPU 推理。 如果您有多个 GPU 或模型对单个 GPU 来说过大，可以指定 device_map="auto"，这需要并使用 Accelerate 库来自动确定如何加载模型权重。 注意：device 和 device_map 不应同时指定，否则可能导致不可预期的行为。 
gpu_llm = HuggingFacePipeline.from_model_id(
    model_id="gpt2",
    task="text-generation",
    device=0,  # replace with device_map="auto" to use the accelerate library.
    pipeline_kwargs={"max_new_tokens": 10},
)

gpu_chain = prompt | gpu_llm

question = "What is electroencephalography?"

print(gpu_chain.invoke({"question": question}))

​
批量 GPU 推理

如果在配备 GPU 的设备上运行，也可以在 GPU 上以批处理模式运行推理。 
gpu_llm = HuggingFacePipeline.from_model_id(
    model_id="bigscience/bloom-1b7",
    task="text-generation",
    device=0,  # -1 for CPU
    batch_size=2,  # adjust as needed based on GPU map and model size.
    model_kwargs={"temperature": 0, "max_length": 64},
)

gpu_chain = prompt | gpu_llm.bind(stop=["\n\n"])

questions = []
for i in range(4):
    questions.append({"question": f"What is the number {i} in french?"})

answers = gpu_chain.batch(questions)
for answer in answers:
    print(answer)

​
使用 OpenVINO 后端进行推理

要使用 OpenVINO 部署模型，可以指定 backend="openvino" 参数以触发 OpenVINO 作为后端推理框架。 如果您有 Intel GPU，可以指定 model_kwargs={"device": "GPU"} 在其上运行推理。 
pip install -U-strategy eager "optimum[openvino,nncf]" --quiet

ov_config = {"PERFORMANCE_HINT": "LATENCY", "NUM_STREAMS": "1", "CACHE_DIR": ""}

ov_llm = HuggingFacePipeline.from_model_id(
    model_id="gpt2",
    task="text-generation",
    backend="openvino",
    model_kwargs={"device": "CPU", "ov_config": ov_config},
    pipeline_kwargs={"max_new_tokens": 10},
)

ov_chain = prompt | ov_llm

question = "What is electroencephalography?"

print(ov_chain.invoke({"question": question}))

​
使用本地 OpenVINO 模型进行推理

可以使用 CLI 将模型导出为 OpenVINO IR 格式，并从本地文件夹加载模型。 
!optimum-cli export openvino --model gpt2 ov_model_dir
建议使用 --weight-format 应用 8 位或 4 位权重量化，以降低推理延迟并减小模型体积： 
!optimum-cli export openvino --model gpt2  --weight-format int8 ov_model_dir # for 8-bit quantization

!optimum-cli export openvino --model gpt2  --weight-format int4 ov_model_dir # for 4-bit quantization

ov_llm = HuggingFacePipeline.from_model_id(
    model_id="ov_model_dir",
    task="text-generation",
    backend="openvino",
    model_kwargs={"device": "CPU", "ov_config": ov_config},
    pipeline_kwargs={"max_new_tokens": 10},
)

ov_chain = prompt | ov_llm

question = "What is electroencephalography?"

print(ov_chain.invoke({"question": question}))
通过动态量化激活和 KV 缓存量化，可以进一步提升推理速度。这些选项可以通过 ov_config 如下启用： 
ov_config = {
    "KV_CACHE_PRECISION": "u8",
    "DYNAMIC_QUANTIZATION_GROUP_SIZE": "32",
    "PERFORMANCE_HINT": "LATENCY",
    "NUM_STREAMS": "1",
    "CACHE_DIR": "",
}
更多信息请参阅 OpenVINO LLM 指南 和 OpenVINO 本地 Pipelines notebook。
在 GitHub 上编辑此页面 或 提交 Issue。
将这些文档连接到 Claude、VSCode 等，通过 MCP 获取实时解答。