Schritte, um TinyLLaMA aus C++ aufzurufen (unter Verwendung von llama.cpp)

Sat, 19 Jul 2025 09:40:53 +0900

✅ Einrichtung von TinyLLaMA × C++ (mit `llama.cpp`)

🔧 Schritt 1: llama.cpp vorbereiten

1-1. Erforderliche Umgebung (Minimum)

OS: Windows / Linux / macOS
Entwicklungsumgebung: g++ / clang / MSVC
Git / CMake

1-2. llama.cpp abrufen und kompilieren

1
2
3
4
5
6


git clone https://github.com/ggerganov/llama.cpp
cd llama.cpp
mkdir build
cd build
cmake ..
cmake --build . --config Release

Unter Windows ist es am einfachsten, die Visual Studio Developer Command Prompt mit cmake --build . --config Release zu verwenden.

📦 Schritt 2: TinyLLaMA-Modell herunterladen und konvertieren

2-1. Originalmodell von HuggingFace beziehen

Beispiel: TinyLLaMA-1.1B

1
2
3
4
5
6
7


# Falls erforderlich, transformers zum Herunterladen verwenden
pip install transformers huggingface_hub

python3 -m transformers.models.llama.convert_llama_weights_to_hf \
 --input_dir ./TinyLlama-1.1B-Chat \
 --model_size 1B \
 --output_dir ./hf_model

Dies ist der Schritt zur Konvertierung in das Hugging Face-Format.

2-2. In das GGUF-Format konvertieren (für `llama.cpp`)

1
2


cd llama.cpp
python3 convert.py ./hf_model --outfile tinyllama.gguf

2-3. Modellquantisierung (Größenreduzierung)

1

./quantize ./tinyllama.gguf ./tinyllama-q4.gguf q4_0

q4_0 steht für 4-Bit-Quantisierung. Die Modellgröße schrumpft auf etwa ** 350MB ** .

🧪 Schritt 3: Das Modell aus C++ aufrufen (Codebeispiel)

3-1. Einfacher C++-Code (Inferenz)

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41


#include "llama.h"
#include <iostream>

int main() {
 llama_model_params model_params = llama_model_default_params();
 llama_context_params ctx_params = llama_context_default_params();

 llama_model *model = llama_load_model_from_file("tinyllama-q4.gguf", model_params);
 llama_context *ctx = llama_new_context_with_model(model, ctx_params);

 std::string prompt = "Der Benutzer sagt, dass er Excel-Daten laden, filtern und speichern möchte. Wie sieht die Knotenkonfiguration aus?";
 llama_batch batch = llama_batch_init(512, 0, 1);
 llama_token BOS = llama_token_bos(model);
 batch.token[0] = BOS;

 // Tokenisierung
 std::vector<llama_token> tokens(prompt.size() + 8);
 int n = llama_tokenize(model, prompt.c_str(), tokens.data(), tokens.size(), true);
 tokens.resize(n);

 for (size_t i = 0; i < tokens.size(); ++i) {
 batch.token[i + 1] = tokens[i];
 }

 batch.n_tokens = tokens.size() + 1;
 llama_decode(ctx, batch);

 // Inferenz-Ergebnis abrufen
 for (int i = 0; i < 50; ++i) {
 llama_token next = llama_sample_token(ctx, nullptr);
 std::cout << llama_token_to_str(model, next);
 llama_batch next_batch = llama_batch_init(1, 0, 1);
 next_batch.token[0] = next;
 next_batch.n_tokens = 1;
 llama_decode(ctx, next_batch);
 }

 llama_free(ctx);
 llama_free_model(model);
 return 0;
}

🧱 Schritt 4: Kompilierungsmethode (Beispiel)

1

g++ -I./llama.cpp main.cpp ./llama.cpp/build/libllama.a -o tiny_infer -pthread -std=c++11

libllama.a wird nach der Erstellung im Verzeichnis build/ generiert.

✅ Beispiel für die Struktur der Artefakte (Organisation)

1
2
3
4
5
6


my_app/
├── tinyllama-q4.gguf # Quantisiertes Modell (~350MB)
├── main.cpp # Obiger C++-Code
├── llama.cpp/ # llama.cpp-Quellcode
└── build/
 └── libllama.a # Kompilierte Bibliothek

🧠 Zusätzliche Hinweise zur Anwendung auf Anwendungsfälle

Code in C++ einbauen, um die Ausgabe entgegenzunehmen und Knoten-Templates abzugleichen/auszuwählen.
Beispiel: Wenn “Excel”, “Filter”, “Speichern” enthalten sind → entsprechende Knotengruppen generieren.
Dieser Teil kann mit einer einfachen Struktur wie if-Anweisungen + Laden von JSON-Vorlagen umgesetzt werden.

📌 Zusammenfassung

Element	Beschreibung
Empfohlenes Modell	TinyLLaMA-1.1B-Chat v1.0 (GGUF + Quantisierung)
Größe	~350 bis 450MB (4-Bit-Quantisierung)
C++-Integration	Möglich durch `llama.cpp`, fast keine externen Abhängigkeiten
Verarbeitungsleistung	Ausreichend für einfache Intentionserkennung und Satzgenerierung (Natürliche Sprache → Struktur)
Erweiterbarkeit	Kann durch Kombination mit Slot-Filling und Template-Aufrufen zu einer KI für Knotengenerierung werden

TinyLLaMA on kenji.blog

Schritte, um TinyLLaMA aus C++ aufzurufen (unter Verwendung von llama.cpp)

✅ Einrichtung von TinyLLaMA × C++ (mit llama.cpp)

🔧 Schritt 1: llama.cpp vorbereiten

1-1. Erforderliche Umgebung (Minimum)

1-2. llama.cpp abrufen und kompilieren

📦 Schritt 2: TinyLLaMA-Modell herunterladen und konvertieren

2-1. Originalmodell von HuggingFace beziehen

2-2. In das GGUF-Format konvertieren (für llama.cpp)

2-3. Modellquantisierung (Größenreduzierung)

🧪 Schritt 3: Das Modell aus C++ aufrufen (Codebeispiel)

3-1. Einfacher C++-Code (Inferenz)

🧱 Schritt 4: Kompilierungsmethode (Beispiel)

✅ Beispiel für die Struktur der Artefakte (Organisation)

🧠 Zusätzliche Hinweise zur Anwendung auf Anwendungsfälle

📌 Zusammenfassung

✅ Einrichtung von TinyLLaMA × C++ (mit `llama.cpp`)

2-2. In das GGUF-Format konvertieren (für `llama.cpp`)