Skip to main content
OpenVINO™ 是一个用于优化和部署 AI 推理的开源工具包。OpenVINO™ Runtime 能够支持在多种硬件设备上运行经过优化的同一模型。加速您在语言+大语言模型（LLMs）、计算机视觉、自动语音识别等用例中的深度学习性能。 可以通过 HuggingFacePipeline 类 在本地运行 OpenVINO 模型。要使用 OpenVINO 部署模型，可以指定 backend="openvino" 参数以将 OpenVINO 配置为后端推理框架。 使用前，您需要安装带有 OpenVINO 加速器的 optimum-intel Python 软件包。 
pip install -U-strategy eager "optimum[openvino,nncf]" langchain-huggingface --quiet

​
模型加载

可以使用 from_model_id 方法通过指定模型参数来加载模型。 如果您拥有 Intel GPU，可以指定 model_kwargs={"device": "GPU"} 在其上运行推理。 
from langchain_huggingface import HuggingFacePipeline

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},
)
也可以直接传入现有的 optimum-intel 管道来加载它们。 
from optimum.intel.openvino import OVModelForCausalLM
from transformers import AutoTokenizer, pipeline

model_id = "gpt2"
device = "CPU"
tokenizer = AutoTokenizer.from_pretrained(model_id)
ov_model = OVModelForCausalLM.from_pretrained(
    model_id, export=True, device=device, ov_config=ov_config
)
ov_pipe = pipeline(
    "text-generation", model=ov_model, tokenizer=tokenizer, max_new_tokens=10
)
ov_llm = HuggingFacePipeline(pipeline=ov_pipe)

​
创建链

将模型加载到内存后，您可以将其与提示词组合以形成链。 
from langchain_core.prompts import PromptTemplate

template = """Question: {question}

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

chain = prompt | ov_llm

question = "What is electroencephalography?"

print(chain.invoke({"question": question}))
若要获取不带提示词的响应，可以将 skip_prompt=True 绑定到 LLM。 
chain = prompt | ov_llm.bind(skip_prompt=True)

question = "What is electroencephalography?"

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

​
使用本地 OpenVINO 模型进行推理

可以通过 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，以降低推理延迟和模型体积： 
!optimum-cli export openvino --model gpt2  --weight-format int8 ov_model_dir # 用于 8 位量化

!optimum-cli export openvino --model gpt2  --weight-format int4 ov_model_dir # 用于 4 位量化

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},
)

chain = prompt | ov_llm

question = "What is electroencephalography?"

print(chain.invoke({"question": question}))
您可以通过激活值的动态量化和 KV 缓存量化获得额外的推理速度提升。这些选项可以通过 ov_config 按如下方式启用： 
ov_config = {
    "KV_CACHE_PRECISION": "u8",
    "DYNAMIC_QUANTIZATION_GROUP_SIZE": "32",
    "PERFORMANCE_HINT": "LATENCY",
    "NUM_STREAMS": "1",
    "CACHE_DIR": "",
}

​
流式传输

您可以使用 stream 方法来获取 LLM 输出的流式数据， 
generation_config = {"skip_prompt": True, "pipeline_kwargs": {"max_new_tokens": 100}}
chain = prompt | ov_llm.bind(**generation_config)

for chunk in chain.stream(question):
    print(chunk, end="", flush=True)
更多信息请参阅：
在 GitHub 上编辑此页面 或提交问题。
连接这些文档 至 Claude、VSCode 等，通过 MCP 获取实时答案。