Pasos para llamar a TinyLLaMA desde C++ (usando llama.cpp)

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

✅ Configuración de TinyLLaMA × C++ (usando `llama.cpp`)

🔧 Paso 1: Preparar llama.cpp

1-1. Entorno necesario (mínimo)

SO: Windows / Linux / macOS
Entorno de desarrollo: g++ / clang / MSVC
Git / CMake

1-2. Obtener y compilar llama.cpp

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

En Windows, es más fácil usar Visual Studio Developer Command Prompt y ejecutar cmake --build . --config Release.

📦 Paso 2: Descargar y convertir el modelo TinyLLaMA

2-1. Obtener el modelo original de HuggingFace

Ejemplo: TinyLLaMA-1.1B

1
2
3
4
5
6
7


# Instalar transformers para descargar si es necesario
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

Este paso es para convertir al formato de Hugging Face.

2-2. Convertir al formato GGUF (para `llama.cpp`)

1
2


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

2-3. Cuantización del modelo (reducción de tamaño)

1

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

q4_0 es cuantización de 4 bits. El tamaño del modelo se reducirá a aproximadamente 350 MB.

🧪 Paso 3: Llamar al modelo desde C++ (Ejemplo de código)

3-1. Código C++ simple (Inferencia)

 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 = "El usuario dice que quiere leer datos de Excel, filtrarlos y guardarlos. ¿Cuál es la configuración de los nodos?";
 llama_batch batch = llama_batch_init(512, 0, 1);
 llama_token BOS = llama_token_bos(model);
 batch.token[0] = BOS;

 // Tokenización
 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);

 // Obtener resultados de inferencia
 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;
}

🧱 Paso 4: Método de compilación (Ejemplo)

1

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

libllama.a se crea en el directorio build/ después de compilar.

✅ Ejemplo de estructura del producto final (Organizado)

1
2
3
4
5
6


my_app/
├── tinyllama-q4.gguf # Modelo cuantizado (~350MB)
├── main.cpp # Código C++ anterior
├── llama.cpp/ # Código fuente de llama.cpp
└── build/
 └── libllama.a # Biblioteca compilada

🧠 Notas adicionales para aplicar a tu caso de uso

Tener código en C++ que reciba la salida y compare y seleccione plantillas de nodos.
Ejemplo: Si contiene “Excel”, “filtro” y “guardar” → Generar los nodos correspondientes.
Esta parte puede ser tan simple como sentencias if + lectura de plantilla JSON.

📌 Resumen

Elemento	Descripción
Modelo recomendado	TinyLLaMA-1.1B-Chat v1.0 (GGUF + Cuantización)
Tamaño	~350-450MB (Cuantización 4bit)
Integración C++	Posible usando `llama.cpp`, casi sin dependencias externas
Capacidad de procesamiento	Suficiente para comprensión de intención simple y generación de salida (texto natural → configuración)
Extensibilidad	Se puede combinar con el llenado de ranuras (slots) y llamadas a plantillas para crear una IA de generación de nodos

TinyLLaMA on kenji.blog

Pasos para llamar a TinyLLaMA desde C++ (usando llama.cpp)

✅ Configuración de TinyLLaMA × C++ (usando llama.cpp)

🔧 Paso 1: Preparar llama.cpp

1-1. Entorno necesario (mínimo)

1-2. Obtener y compilar llama.cpp

📦 Paso 2: Descargar y convertir el modelo TinyLLaMA

2-1. Obtener el modelo original de HuggingFace

2-2. Convertir al formato GGUF (para llama.cpp)

2-3. Cuantización del modelo (reducción de tamaño)

🧪 Paso 3: Llamar al modelo desde C++ (Ejemplo de código)

3-1. Código C++ simple (Inferencia)

🧱 Paso 4: Método de compilación (Ejemplo)

✅ Ejemplo de estructura del producto final (Organizado)

🧠 Notas adicionales para aplicar a tu caso de uso

📌 Resumen

✅ Configuración de TinyLLaMA × C++ (usando `llama.cpp`)

2-2. Convertir al formato GGUF (para `llama.cpp`)