Étapes pour appeler TinyLLaMA depuis C++ (en utilisant llama.cpp)

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

✅ Configuration de TinyLLaMA × C++ (en utilisant `llama.cpp`)

🔧 Étape 1 : Préparer llama.cpp

1-1. Environnement requis (minimum)

Système d’exploitation : Windows / Linux / macOS
Environnement de développement : g++ / clang / MSVC
Git / CMake

1-2. Obtenir et compiler 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

Sur Windows, il est plus facile d’utiliser l’invite Visual Studio Developer Command Prompt avec cmake --build . --config Release.

📦 Étape 2 : Télécharger et convertir le modèle TinyLLaMA

2-1. Obtenir le modèle d’origine depuis HuggingFace

Exemple : TinyLLaMA-1.1B

1
2
3
4
5
6
7


# Installer transformers pour le téléchargement si nécessaire
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

C’est l’étape pour convertir au format Hugging Face.

2-2. Convertir au format GGUF (pour `llama.cpp`)

1
2


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

2-3. Quantification du modèle (réduction de taille)

1

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

q4_0 est une quantification 4 bits. La taille du modèle est réduite à environ ** 350MB ** .

🧪 Étape 3 : Appeler le modèle depuis C++ (Exemple de code)

3-1. Code C++ simple (Inférence)

 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 = "L'utilisateur indique qu'il souhaite charger des données Excel, les filtrer et les sauvegarder. Quelle est la configuration des nœuds ?";
 llama_batch batch = llama_batch_init(512, 0, 1);
 llama_token BOS = llama_token_bos(model);
 batch.token[0] = BOS;

 // Tokenisation
 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);

 // Récupérer le résultat de l'inférence
 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;
}

🧱 Étape 4 : Méthode de compilation (Exemple)

1

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

libllama.a est créé dans le répertoire build/ après la compilation.

✅ Exemple de structure des artefacts (Organisation)

1
2
3
4
5
6


my_app/
├── tinyllama-q4.gguf # Modèle quantifié (~350MB)
├── main.cpp # Code C++ ci-dessus
├── llama.cpp/ # Répertoire source de llama.cpp
└── build/
 └── libllama.a # Bibliothèque compilée

🧠 Notes complémentaires pour l’application aux cas d’usage

Avoir du code en C++ pour vérifier et sélectionner le modèle de nœud en fonction de la sortie.
Exemple : Si les termes “Excel”, “filtre”, “sauvegarder” sont inclus → générer les groupes de nœuds correspondants.
Cette partie peut avoir une structure simple de type instructions if + chargement d'un modèle JSON.

📌 Résumé

Élément	Description
Modèle recommandé	TinyLLaMA-1.1B-Chat v1.0 (GGUF + Quantification)
Taille	~350 à 450MB (Quantification 4 bits)
Intégration C++	Possible grâce à `llama.cpp`, presque aucune dépendance externe
Capacité de traitement	Suffisante pour la compréhension simple des intentions et la génération de phrases (Phrase naturelle → Structure)
Extensibilité	Peut devenir une IA de génération de nœuds lorsqu’elle est combinée avec le remplissage d’emplacements et l’appel de modèles

TinyLLaMA on kenji.blog

Étapes pour appeler TinyLLaMA depuis C++ (en utilisant llama.cpp)

✅ Configuration de TinyLLaMA × C++ (en utilisant llama.cpp)

🔧 Étape 1 : Préparer llama.cpp

1-1. Environnement requis (minimum)

1-2. Obtenir et compiler llama.cpp

📦 Étape 2 : Télécharger et convertir le modèle TinyLLaMA

2-1. Obtenir le modèle d’origine depuis HuggingFace

2-2. Convertir au format GGUF (pour llama.cpp)

2-3. Quantification du modèle (réduction de taille)

🧪 Étape 3 : Appeler le modèle depuis C++ (Exemple de code)

3-1. Code C++ simple (Inférence)

🧱 Étape 4 : Méthode de compilation (Exemple)

✅ Exemple de structure des artefacts (Organisation)

🧠 Notes complémentaires pour l’application aux cas d’usage

📌 Résumé

✅ Configuration de TinyLLaMA × C++ (en utilisant `llama.cpp`)

2-2. Convertir au format GGUF (pour `llama.cpp`)