Passos para chamar o TinyLLaMA a partir de C++ (usando llama.cpp)

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

✅ Configuração do TinyLLaMA × C++ (usando `llama.cpp`)

🔧 Passo 1: Preparar o llama.cpp

1-1. Ambiente necessário (Mínimo)

OS: Windows / Linux / macOS
Ambiente de desenvolvimento: g++ / clang / MSVC
Git / CMake

1-2. Obter e 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

No Windows, é mais fácil usar Visual Studio Developer Command Prompt com cmake --build . --config Release.

📦 Passo 2: Baixar e converter o modelo TinyLLaMA

2-1. Obter o modelo original do HuggingFace

Exemplo: TinyLLaMA-1.1B

1
2
3
4
5
6
7


# Instalar transformers para download, se necessário
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 é o passo para converter para o formato Hugging Face.

2-2. Converter para formato GGUF (para `llama.cpp`)

1
2


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

2-3. Quantização do modelo (redução de tamanho)

1

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

q4_0 é a quantização em 4 bits. O tamanho do modelo será reduzido para cerca de ** 350MB ** .

🧪 Passo 3: Chamar o modelo a partir do C++ (Exemplo de código)

3-1. Código C++ simples (Inferência)

 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 = "O utilizador diz que quer carregar dados do Excel, filtrá-los e guardá-los. Qual é a configuração dos nós?";
 llama_batch batch = llama_batch_init(512, 0, 1);
 llama_token BOS = llama_token_bos(model);
 batch.token[0] = BOS;

 // Tokenização
 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);

 // Obter resultado da inferência
 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;
}

🧱 Passo 4: Como compilar (Exemplo)

1

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

libllama.a será criado no diretório build/ após a compilação.

✅ Exemplo de estrutura dos artefactos (Organização)

1
2
3
4
5
6


my_app/
├── tinyllama-q4.gguf # Modelo quantizado (~350MB)
├── main.cpp # Código C++ acima
├── llama.cpp/ # Diretório do llama.cpp
└── build/
 └── libllama.a # Biblioteca compilada

🧠 Notas adicionais para aplicação em casos de uso

Ter código em C++ para verificar e selecionar o modelo de nós com base na saída
Exemplo: Se contém “Excel”, “filtro”, “guardar” → gera os grupos de nós correspondentes
Esta parte pode ter uma estrutura simples, como instruções if + carregamento de modelo JSON

📌 Resumo

Item	Descrição
Modelo recomendado	TinyLLaMA-1.1B-Chat v1.0 (GGUF + Quantização)
Tamanho	~350 a 450MB (Quantização 4bit)
Integração C++	Possível através de `llama.cpp`, quase sem dependências externas
Capacidade de processamento	Suficiente para compreensão básica de intenções e geração de frases (Texto natural → Estrutura)
Extensibilidade	Pode tornar-se uma IA de geração de nós quando combinado com preenchimento de slots e chamadas de modelos

Llama.cpp on kenji.blog

Passos para chamar o TinyLLaMA a partir de C++ (usando llama.cpp)

✅ Configuração do TinyLLaMA × C++ (usando llama.cpp)

🔧 Passo 1: Preparar o llama.cpp

1-1. Ambiente necessário (Mínimo)

1-2. Obter e compilar llama.cpp

📦 Passo 2: Baixar e converter o modelo TinyLLaMA

2-1. Obter o modelo original do HuggingFace

2-2. Converter para formato GGUF (para llama.cpp)

2-3. Quantização do modelo (redução de tamanho)

🧪 Passo 3: Chamar o modelo a partir do C++ (Exemplo de código)

3-1. Código C++ simples (Inferência)

🧱 Passo 4: Como compilar (Exemplo)

✅ Exemplo de estrutura dos artefactos (Organização)

🧠 Notas adicionais para aplicação em casos de uso

📌 Resumo

✅ Configuração do TinyLLaMA × C++ (usando `llama.cpp`)

2-2. Converter para formato GGUF (para `llama.cpp`)