Initial commit

d3296f4 verified over 1 year ago

241 kB

	/home/cfruan/.conda/envs/mlc-source-311/bin/python -m mlc_chat gen_config /models/gemma-2b-it --quantization q4f32_1 --conv-template gemma_instruction --output /tmp/tmpzgbcqa60 --context-window-size 8192 --prefill-chunk-size 1024
	[2024-02-21 21:10:37] INFO auto_config.py:115: [92mFound[0m model configuration: /models/gemma-2b-it/config.json
	[2024-02-21 21:10:37] INFO auto_config.py:153: [92mFound[0m model type: [1mgemma[0m. Use `--model-type` to override.
	[2024-02-21 21:10:37] INFO gemma_model.py:55: [1mcontext_window_size[0m not found in config.json. Falling back to [1mmax_position_embeddings[0m (8192)
	[2024-02-21 21:10:37] INFO gemma_model.py:70: [1mprefill_chunk_size[0m defaults to [1mcontext_window_size[0m (8192)
	[2024-02-21 21:10:37] INFO config.py:106: Overriding [1mcontext_window_size[0m from 8192 to 8192
	[2024-02-21 21:10:37] INFO config.py:106: Overriding [1mprefill_chunk_size[0m from 8192 to 1024
	[2024-02-21 21:10:37] INFO config.py:106: Overriding [1mmax_batch_size[0m from 1 to 80
	[2024-02-21 21:10:37] INFO gen_config.py:121: [generation_config.json] Setting [1mbos_token_id[0m: 2
	[2024-02-21 21:10:37] INFO gen_config.py:121: [generation_config.json] Setting [1meos_token_id[0m: 1
	[2024-02-21 21:10:37] INFO gen_config.py:121: [generation_config.json] Setting [1mpad_token_id[0m: 0
	[2024-02-21 21:10:37] INFO gen_config.py:133: [92mFound[0m tokenizer config: /models/gemma-2b-it/tokenizer.model. Copying to [1m/tmp/tmpzgbcqa60/tokenizer.model[0m
	[2024-02-21 21:10:37] INFO gen_config.py:133: [92mFound[0m tokenizer config: /models/gemma-2b-it/tokenizer.json. Copying to [1m/tmp/tmpzgbcqa60/tokenizer.json[0m
	[2024-02-21 21:10:37] INFO gen_config.py:135: [91mNot found[0m tokenizer config: /models/gemma-2b-it/vocab.json
	[2024-02-21 21:10:37] INFO gen_config.py:135: [91mNot found[0m tokenizer config: /models/gemma-2b-it/merges.txt
	[2024-02-21 21:10:37] INFO gen_config.py:135: [91mNot found[0m tokenizer config: /models/gemma-2b-it/added_tokens.json
	[2024-02-21 21:10:37] INFO gen_config.py:133: [92mFound[0m tokenizer config: /models/gemma-2b-it/tokenizer_config.json. Copying to [1m/tmp/tmpzgbcqa60/tokenizer_config.json[0m
	[2024-02-21 21:10:37] INFO gen_config.py:74: [System default] Setting [1mtemperature[0m: 0.7
	[2024-02-21 21:10:37] INFO gen_config.py:74: [System default] Setting [1mpresence_penalty[0m: 0.0
	[2024-02-21 21:10:37] INFO gen_config.py:74: [System default] Setting [1mfrequency_penalty[0m: 0.0
	[2024-02-21 21:10:37] INFO gen_config.py:74: [System default] Setting [1mrepetition_penalty[0m: 1.0
	[2024-02-21 21:10:37] INFO gen_config.py:74: [System default] Setting [1mtop_p[0m: 0.95
	[2024-02-21 21:10:37] INFO gen_config.py:74: [System default] Setting [1mmean_gen_len[0m: 128
	[2024-02-21 21:10:37] INFO gen_config.py:74: [System default] Setting [1mmax_gen_len[0m: 512
	[2024-02-21 21:10:37] INFO gen_config.py:74: [System default] Setting [1mshift_fill_factor[0m: 0.3
	[2024-02-21 21:10:37] INFO gen_config.py:186: Dumping configuration file to: [1m/tmp/tmpzgbcqa60/mlc-chat-config.json[0m
	/home/cfruan/.conda/envs/mlc-source-311/bin/python -m mlc_chat convert_weight /models/gemma-2b-it --quantization q4f32_1 --source-format auto --output /tmp/tmpzgbcqa60
	[2024-02-21 21:10:39] INFO auto_config.py:115: [92mFound[0m model configuration: /models/gemma-2b-it/config.json
	[2024-02-21 21:10:41] INFO auto_device.py:76: [92mFound[0m device: cuda:0
	[2024-02-21 21:10:41] INFO auto_device.py:76: [92mFound[0m device: cuda:1
	[2024-02-21 21:10:42] INFO auto_device.py:85: [91mNot found[0m device: rocm:0
	[2024-02-21 21:10:44] INFO auto_device.py:85: [91mNot found[0m device: metal:0
	[2024-02-21 21:10:54] INFO auto_device.py:76: [92mFound[0m device: vulkan:0
	[2024-02-21 21:10:54] INFO auto_device.py:76: [92mFound[0m device: vulkan:1
	[2024-02-21 21:10:54] INFO auto_device.py:76: [92mFound[0m device: vulkan:2
	[2024-02-21 21:10:56] INFO auto_device.py:85: [91mNot found[0m device: opencl:0
	[2024-02-21 21:10:56] INFO auto_device.py:33: Using device: [1mcuda:0[0m
	[2024-02-21 21:10:56] INFO auto_weight.py:70: Finding weights in: /models/gemma-2b-it
	[2024-02-21 21:10:56] INFO auto_weight.py:136: [91mNot found[0m Huggingface PyTorch
	[2024-02-21 21:10:56] INFO auto_weight.py:143: [92mFound[0m source weight format: huggingface-safetensor. Source configuration: /models/gemma-2b-it/model.safetensors.index.json
	[2024-02-21 21:10:56] INFO auto_weight.py:106: Using source weight configuration: [1m/models/gemma-2b-it/model.safetensors.index.json[0m. Use `--source` to override.
	[2024-02-21 21:10:56] INFO auto_weight.py:110: Using source weight format: [1mhuggingface-safetensor[0m. Use `--source-format` to override.
	[2024-02-21 21:10:56] INFO auto_config.py:153: [92mFound[0m model type: [1mgemma[0m. Use `--model-type` to override.
	[2024-02-21 21:10:56] INFO gemma_model.py:55: [1mcontext_window_size[0m not found in config.json. Falling back to [1mmax_position_embeddings[0m (8192)
	[2024-02-21 21:10:56] INFO gemma_model.py:70: [1mprefill_chunk_size[0m defaults to [1mcontext_window_size[0m (8192)
	[1mWeight conversion with arguments:[0m
	[1m--config[0m /models/gemma-2b-it/config.json
	[1m--quantization[0m GroupQuantize(name='q4f32_1', kind='group-quant', group_size=32, quantize_dtype='int4', storage_dtype='uint32', model_dtype='float32', linear_weight_layout='NK', quantize_embedding=True, quantize_final_fc=True, num_elem_per_storage=8, num_storage_per_group=4, max_int_value=7)
	[1m--model-type[0m gemma
	[1m--device[0m cuda:0
	[1m--source[0m /models/gemma-2b-it/model.safetensors.index.json
	[1m--source-format[0m huggingface-safetensor
	[1m--output[0m /tmp/tmpzgbcqa60
	0%\| \| 0/110 [00:00<?, ?it/s] [2024-02-21 21:10:58] INFO huggingface_loader.py:182: Loading HF parameters from: /models/gemma-2b-it/model-00001-of-00002.safetensors
	0%\| \| 0/110 [00:00<?, ?it/s] [2024-02-21 21:11:16] INFO group_quantization.py:232: Compiling quantize function for key: ((256000, 2048), float32, cuda, axis=1, output_transpose=False)
	0%\| \| 0/110 [00:18<?, ?it/s] [2024-02-21 21:11:18] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.embed_tokens.q_weight[0m", shape: (256000, 256), dtype: uint32
	0%\| \| 0/110 [00:20<?, ?it/s] [2024-02-21 21:11:18] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.embed_tokens.q_scale[0m", shape: (256000, 64), dtype: float32
	0%\| \| 0/110 [00:20<?, ?it/s] 1%\|██▎ \| 1/110 [00:20<37:27, 20.62s/it] [2024-02-21 21:11:18] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.0.input_layernorm.weight[0m", shape: (2048,), dtype: float32
	1%\|██▎ \| 1/110 [00:20<37:27, 20.62s/it] [2024-02-21 21:11:18] INFO group_quantization.py:232: Compiling quantize function for key: ((2048, 16384), float32, cuda, axis=1, output_transpose=False)
	1%\|██▎ \| 1/110 [00:20<37:27, 20.62s/it] [2024-02-21 21:11:19] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.0.mlp.down_proj.q_weight[0m", shape: (2048, 2048), dtype: uint32
	1%\|██▎ \| 1/110 [00:21<37:27, 20.62s/it] [2024-02-21 21:11:19] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.0.mlp.down_proj.q_scale[0m", shape: (2048, 512), dtype: float32
	1%\|██▎ \| 1/110 [00:21<37:27, 20.62s/it] 3%\|██████▊ \| 3/110 [00:21<09:49, 5.51s/it] [2024-02-21 21:11:19] INFO group_quantization.py:232: Compiling quantize function for key: ((32768, 2048), float32, cuda, axis=1, output_transpose=False)
	3%\|██████▊ \| 3/110 [00:21<09:49, 5.51s/it] [2024-02-21 21:11:20] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.0.mlp.gate_up_proj.q_weight[0m", shape: (32768, 256), dtype: uint32
	3%\|██████▊ \| 3/110 [00:22<09:49, 5.51s/it] [2024-02-21 21:11:20] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.0.mlp.gate_up_proj.q_scale[0m", shape: (32768, 64), dtype: float32
	3%\|██████▊ \| 3/110 [00:22<09:49, 5.51s/it] 4%\|█████████ \| 4/110 [00:22<07:01, 3.97s/it] [2024-02-21 21:11:20] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.0.post_attention_layernorm.weight[0m", shape: (2048,), dtype: float32
	4%\|█████████ \| 4/110 [00:22<07:01, 3.97s/it] [2024-02-21 21:11:20] INFO group_quantization.py:232: Compiling quantize function for key: ((2560, 2048), float32, cuda, axis=1, output_transpose=False)
	4%\|█████████ \| 4/110 [00:22<07:01, 3.97s/it] [2024-02-21 21:11:20] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.0.self_attn.qkv_proj.q_weight[0m", shape: (2560, 256), dtype: uint32
	4%\|█████████ \| 4/110 [00:22<07:01, 3.97s/it] [2024-02-21 21:11:20] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.0.self_attn.qkv_proj.q_scale[0m", shape: (2560, 64), dtype: float32
	4%\|█████████ \| 4/110 [00:22<07:01, 3.97s/it] 5%\|█████████████▋ \| 6/110 [00:22<03:38, 2.10s/it] [2024-02-21 21:11:20] INFO group_quantization.py:232: Compiling quantize function for key: ((2048, 2048), float32, cuda, axis=1, output_transpose=False)
	5%\|█████████████▋ \| 6/110 [00:22<03:38, 2.10s/it] [2024-02-21 21:11:21] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.0.self_attn.o_proj.q_weight[0m", shape: (2048, 256), dtype: uint32
	5%\|█████████████▋ \| 6/110 [00:22<03:38, 2.10s/it] [2024-02-21 21:11:21] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.0.self_attn.o_proj.q_scale[0m", shape: (2048, 64), dtype: float32
	5%\|█████████████▋ \| 6/110 [00:22<03:38, 2.10s/it] 6%\|███████████████▉ \| 7/110 [00:22<02:51, 1.66s/it] [2024-02-21 21:11:21] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.1.input_layernorm.weight[0m", shape: (2048,), dtype: float32
	6%\|███████████████▉ \| 7/110 [00:22<02:51, 1.66s/it] [2024-02-21 21:11:21] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.1.mlp.down_proj.q_weight[0m", shape: (2048, 2048), dtype: uint32
	6%\|███████████████▉ \| 7/110 [00:23<02:51, 1.66s/it] [2024-02-21 21:11:21] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.1.mlp.down_proj.q_scale[0m", shape: (2048, 512), dtype: float32
	6%\|███████████████▉ \| 7/110 [00:23<02:51, 1.66s/it] [2024-02-21 21:11:21] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.1.mlp.gate_up_proj.q_weight[0m", shape: (32768, 256), dtype: uint32
	6%\|███████████████▉ \| 7/110 [00:23<02:51, 1.66s/it] [2024-02-21 21:11:21] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.1.mlp.gate_up_proj.q_scale[0m", shape: (32768, 64), dtype: float32
	6%\|███████████████▉ \| 7/110 [00:23<02:51, 1.66s/it] 9%\|██████████████████████▋ \| 10/110 [00:23<01:28, 1.14it/s] [2024-02-21 21:11:21] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.1.post_attention_layernorm.weight[0m", shape: (2048,), dtype: float32
	9%\|██████████████████████▋ \| 10/110 [00:23<01:28, 1.14it/s] [2024-02-21 21:11:21] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.1.self_attn.qkv_proj.q_weight[0m", shape: (2560, 256), dtype: uint32
	9%\|██████████████████████▋ \| 10/110 [00:23<01:28, 1.14it/s] [2024-02-21 21:11:21] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.1.self_attn.qkv_proj.q_scale[0m", shape: (2560, 64), dtype: float32
	9%\|██████████████████████▋ \| 10/110 [00:23<01:28, 1.14it/s] [2024-02-21 21:11:21] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.1.self_attn.o_proj.q_weight[0m", shape: (2048, 256), dtype: uint32
	9%\|██████████████████████▋ \| 10/110 [00:23<01:28, 1.14it/s] [2024-02-21 21:11:21] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.1.self_attn.o_proj.q_scale[0m", shape: (2048, 64), dtype: float32
	9%\|██████████████████████▋ \| 10/110 [00:23<01:28, 1.14it/s] [2024-02-21 21:11:21] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.10.input_layernorm.weight[0m", shape: (2048,), dtype: float32
	9%\|██████████████████████▋ \| 10/110 [00:23<01:28, 1.14it/s] [2024-02-21 21:11:21] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.10.mlp.down_proj.q_weight[0m", shape: (2048, 2048), dtype: uint32
	9%\|██████████████████████▋ \| 10/110 [00:23<01:28, 1.14it/s] [2024-02-21 21:11:21] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.10.mlp.down_proj.q_scale[0m", shape: (2048, 512), dtype: float32
	9%\|██████████████████████▋ \| 10/110 [00:23<01:28, 1.14it/s] 14%\|█████████████████████████████████▉ \| 15/110 [00:23<00:38, 2.46it/s] [2024-02-21 21:11:22] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.10.mlp.gate_up_proj.q_weight[0m", shape: (32768, 256), dtype: uint32
	14%\|█████████████████████████████████▉ \| 15/110 [00:24<00:38, 2.46it/s] [2024-02-21 21:11:22] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.10.mlp.gate_up_proj.q_scale[0m", shape: (32768, 64), dtype: float32
	14%\|█████████████████████████████████▉ \| 15/110 [00:24<00:38, 2.46it/s] [2024-02-21 21:11:22] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.10.post_attention_layernorm.weight[0m", shape: (2048,), dtype: float32
	14%\|█████████████████████████████████▉ \| 15/110 [00:24<00:38, 2.46it/s] 15%\|██████████████████████████████████████▍ \| 17/110 [00:24<00:33, 2.79it/s] [2024-02-21 21:11:22] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.10.self_attn.qkv_proj.q_weight[0m", shape: (2560, 256), dtype: uint32
	15%\|██████████████████████████████████████▍ \| 17/110 [00:24<00:33, 2.79it/s] [2024-02-21 21:11:22] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.10.self_attn.qkv_proj.q_scale[0m", shape: (2560, 64), dtype: float32
	15%\|██████████████████████████████████████▍ \| 17/110 [00:24<00:33, 2.79it/s] [2024-02-21 21:11:22] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.10.self_attn.o_proj.q_weight[0m", shape: (2048, 256), dtype: uint32
	15%\|██████████████████████████████████████▍ \| 17/110 [00:24<00:33, 2.79it/s] [2024-02-21 21:11:22] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.10.self_attn.o_proj.q_scale[0m", shape: (2048, 64), dtype: float32
	15%\|██████████████████████████████████████▍ \| 17/110 [00:24<00:33, 2.79it/s] [2024-02-21 21:11:22] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.11.input_layernorm.weight[0m", shape: (2048,), dtype: float32
	15%\|██████████████████████████████████████▍ \| 17/110 [00:24<00:33, 2.79it/s] [2024-02-21 21:11:22] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.11.mlp.down_proj.q_weight[0m", shape: (2048, 2048), dtype: uint32
	15%\|██████████████████████████████████████▍ \| 17/110 [00:24<00:33, 2.79it/s] [2024-02-21 21:11:22] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.11.mlp.down_proj.q_scale[0m", shape: (2048, 512), dtype: float32
	15%\|██████████████████████████████████████▍ \| 17/110 [00:24<00:33, 2.79it/s] 19%\|███████████████████████████████████████████████▌ \| 21/110 [00:24<00:20, 4.41it/s] [2024-02-21 21:11:22] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.11.mlp.gate_up_proj.q_weight[0m", shape: (32768, 256), dtype: uint32
	19%\|███████████████████████████████████████████████▌ \| 21/110 [00:24<00:20, 4.41it/s] [2024-02-21 21:11:22] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.11.mlp.gate_up_proj.q_scale[0m", shape: (32768, 64), dtype: float32
	19%\|███████████████████████████████████████████████▌ \| 21/110 [00:24<00:20, 4.41it/s] [2024-02-21 21:11:22] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.11.post_attention_layernorm.weight[0m", shape: (2048,), dtype: float32
	19%\|███████████████████████████████████████████████▌ \| 21/110 [00:24<00:20, 4.41it/s] 21%\|████████████████████████████████████████████████████ \| 23/110 [00:24<00:20, 4.29it/s] [2024-02-21 21:11:22] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.11.self_attn.qkv_proj.q_weight[0m", shape: (2560, 256), dtype: uint32
	21%\|████████████████████████████████████████████████████ \| 23/110 [00:24<00:20, 4.29it/s] [2024-02-21 21:11:22] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.11.self_attn.qkv_proj.q_scale[0m", shape: (2560, 64), dtype: float32
	21%\|████████████████████████████████████████████████████ \| 23/110 [00:24<00:20, 4.29it/s] [2024-02-21 21:11:22] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.11.self_attn.o_proj.q_weight[0m", shape: (2048, 256), dtype: uint32
	21%\|████████████████████████████████████████████████████ \| 23/110 [00:24<00:20, 4.29it/s] [2024-02-21 21:11:22] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.11.self_attn.o_proj.q_scale[0m", shape: (2048, 64), dtype: float32
	21%\|████████████████████████████████████████████████████ \| 23/110 [00:24<00:20, 4.29it/s] [2024-02-21 21:11:22] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.12.input_layernorm.weight[0m", shape: (2048,), dtype: float32
	21%\|████████████████████████████████████████████████████ \| 23/110 [00:24<00:20, 4.29it/s] [2024-02-21 21:11:22] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.12.mlp.down_proj.q_weight[0m", shape: (2048, 2048), dtype: uint32
	21%\|████████████████████████████████████████████████████ \| 23/110 [00:24<00:20, 4.29it/s] [2024-02-21 21:11:22] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.12.mlp.down_proj.q_scale[0m", shape: (2048, 512), dtype: float32
	21%\|████████████████████████████████████████████████████ \| 23/110 [00:24<00:20, 4.29it/s] 25%\|█████████████████████████████████████████████████████████████ \| 27/110 [00:24<00:12, 6.42it/s] [2024-02-21 21:11:23] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.12.mlp.gate_up_proj.q_weight[0m", shape: (32768, 256), dtype: uint32
	25%\|█████████████████████████████████████████████████████████████ \| 27/110 [00:25<00:12, 6.42it/s] [2024-02-21 21:11:23] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.12.mlp.gate_up_proj.q_scale[0m", shape: (32768, 64), dtype: float32
	25%\|█████████████████████████████████████████████████████████████ \| 27/110 [00:25<00:12, 6.42it/s] [2024-02-21 21:11:23] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.12.post_attention_layernorm.weight[0m", shape: (2048,), dtype: float32
	25%\|█████████████████████████████████████████████████████████████ \| 27/110 [00:25<00:12, 6.42it/s] 26%\|█████████████████████████████████████████████████████████████████▋ \| 29/110 [00:25<00:15, 5.33it/s] [2024-02-21 21:11:23] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.12.self_attn.qkv_proj.q_weight[0m", shape: (2560, 256), dtype: uint32
	26%\|█████████████████████████████████████████████████████████████████▋ \| 29/110 [00:25<00:15, 5.33it/s] [2024-02-21 21:11:23] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.12.self_attn.qkv_proj.q_scale[0m", shape: (2560, 64), dtype: float32
	26%\|█████████████████████████████████████████████████████████████████▋ \| 29/110 [00:25<00:15, 5.33it/s] [2024-02-21 21:11:23] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.12.self_attn.o_proj.q_weight[0m", shape: (2048, 256), dtype: uint32
	26%\|█████████████████████████████████████████████████████████████████▋ \| 29/110 [00:25<00:15, 5.33it/s] [2024-02-21 21:11:23] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.12.self_attn.o_proj.q_scale[0m", shape: (2048, 64), dtype: float32
	26%\|█████████████████████████████████████████████████████████████████▋ \| 29/110 [00:25<00:15, 5.33it/s] [2024-02-21 21:11:23] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.13.input_layernorm.weight[0m", shape: (2048,), dtype: float32
	26%\|█████████████████████████████████████████████████████████████████▋ \| 29/110 [00:25<00:15, 5.33it/s] [2024-02-21 21:11:23] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.13.mlp.down_proj.q_weight[0m", shape: (2048, 2048), dtype: uint32
	26%\|█████████████████████████████████████████████████████████████████▋ \| 29/110 [00:25<00:15, 5.33it/s] [2024-02-21 21:11:23] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.13.mlp.down_proj.q_scale[0m", shape: (2048, 512), dtype: float32
	26%\|█████████████████████████████████████████████████████████████████▋ \| 29/110 [00:25<00:15, 5.33it/s] 30%\|██████████████████████████████████████████████████████████████████████████▋ \| 33/110 [00:25<00:09, 7.81it/s] [2024-02-21 21:11:24] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.13.mlp.gate_up_proj.q_weight[0m", shape: (32768, 256), dtype: uint32
	30%\|██████████████████████████████████████████████████████████████████████████▋ \| 33/110 [00:26<00:09, 7.81it/s] [2024-02-21 21:11:24] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.13.mlp.gate_up_proj.q_scale[0m", shape: (32768, 64), dtype: float32
	30%\|██████████████████████████████████████████████████████████████████████████▋ \| 33/110 [00:26<00:09, 7.81it/s] [2024-02-21 21:11:24] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.13.post_attention_layernorm.weight[0m", shape: (2048,), dtype: float32
	30%\|██████████████████████████████████████████████████████████████████████████▋ \| 33/110 [00:26<00:09, 7.81it/s] 32%\|███████████████████████████████████████████████████████████████████████████████▏ \| 35/110 [00:26<00:14, 5.05it/s] [2024-02-21 21:11:24] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.13.self_attn.qkv_proj.q_weight[0m", shape: (2560, 256), dtype: uint32
	32%\|███████████████████████████████████████████████████████████████████████████████▏ \| 35/110 [00:26<00:14, 5.05it/s] [2024-02-21 21:11:24] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.13.self_attn.qkv_proj.q_scale[0m", shape: (2560, 64), dtype: float32
	32%\|███████████████████████████████████████████████████████████████████████████████▏ \| 35/110 [00:26<00:14, 5.05it/s] [2024-02-21 21:11:24] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.13.self_attn.o_proj.q_weight[0m", shape: (2048, 256), dtype: uint32
	32%\|███████████████████████████████████████████████████████████████████████████████▏ \| 35/110 [00:26<00:14, 5.05it/s] [2024-02-21 21:11:24] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.13.self_attn.o_proj.q_scale[0m", shape: (2048, 64), dtype: float32
	32%\|███████████████████████████████████████████████████████████████████████████████▏ \| 35/110 [00:26<00:14, 5.05it/s] [2024-02-21 21:11:24] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.14.input_layernorm.weight[0m", shape: (2048,), dtype: float32
	32%\|███████████████████████████████████████████████████████████████████████████████▏ \| 35/110 [00:26<00:14, 5.05it/s] [2024-02-21 21:11:24] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.14.mlp.down_proj.q_weight[0m", shape: (2048, 2048), dtype: uint32
	32%\|███████████████████████████████████████████████████████████████████████████████▏ \| 35/110 [00:26<00:14, 5.05it/s] [2024-02-21 21:11:24] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.14.mlp.down_proj.q_scale[0m", shape: (2048, 512), dtype: float32
	32%\|███████████████████████████████████████████████████████████████████████████████▏ \| 35/110 [00:26<00:14, 5.05it/s] 35%\|████████████████████████████████████████████████████████████████████████████████████████▎ \| 39/110 [00:26<00:09, 7.27it/s] [2024-02-21 21:11:25] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.14.mlp.gate_up_proj.q_weight[0m", shape: (32768, 256), dtype: uint32
	35%\|████████████████████████████████████████████████████████████████████████████████████████▎ \| 39/110 [00:27<00:09, 7.27it/s] [2024-02-21 21:11:25] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.14.mlp.gate_up_proj.q_scale[0m", shape: (32768, 64), dtype: float32
	35%\|████████████████████████████████████████████████████████████████████████████████████████▎ \| 39/110 [00:27<00:09, 7.27it/s] [2024-02-21 21:11:25] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.14.post_attention_layernorm.weight[0m", shape: (2048,), dtype: float32
	35%\|████████████████████████████████████████████████████████████████████████████████████████▎ \| 39/110 [00:27<00:09, 7.27it/s] 37%\|████████████████████████████████████████████████████████████████████████████████████████████▊ \| 41/110 [00:27<00:12, 5.35it/s] [2024-02-21 21:11:25] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.14.self_attn.qkv_proj.q_weight[0m", shape: (2560, 256), dtype: uint32
	37%\|████████████████████████████████████████████████████████████████████████████████████████████▊ \| 41/110 [00:27<00:12, 5.35it/s] [2024-02-21 21:11:25] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.14.self_attn.qkv_proj.q_scale[0m", shape: (2560, 64), dtype: float32
	37%\|████████████████████████████████████████████████████████████████████████████████████████████▊ \| 41/110 [00:27<00:12, 5.35it/s] [2024-02-21 21:11:25] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.14.self_attn.o_proj.q_weight[0m", shape: (2048, 256), dtype: uint32
	37%\|████████████████████████████████████████████████████████████████████████████████████████████▊ \| 41/110 [00:27<00:12, 5.35it/s] [2024-02-21 21:11:25] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.14.self_attn.o_proj.q_scale[0m", shape: (2048, 64), dtype: float32
	37%\|████████████████████████████████████████████████████████████████████████████████████████████▊ \| 41/110 [00:27<00:12, 5.35it/s] [2024-02-21 21:11:25] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.15.input_layernorm.weight[0m", shape: (2048,), dtype: float32
	37%\|████████████████████████████████████████████████████████████████████████████████████████████▊ \| 41/110 [00:27<00:12, 5.35it/s] [2024-02-21 21:11:25] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.15.mlp.down_proj.q_weight[0m", shape: (2048, 2048), dtype: uint32
	37%\|████████████████████████████████████████████████████████████████████████████████████████████▊ \| 41/110 [00:27<00:12, 5.35it/s] [2024-02-21 21:11:25] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.15.mlp.down_proj.q_scale[0m", shape: (2048, 512), dtype: float32
	37%\|████████████████████████████████████████████████████████████████████████████████████████████▊ \| 41/110 [00:27<00:12, 5.35it/s] 41%\|█████████████████████████████████████████████████████████████████████████████████████████████████████▊ \| 45/110 [00:27<00:08, 7.56it/s] [2024-02-21 21:11:26] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.15.mlp.gate_up_proj.q_weight[0m", shape: (32768, 256), dtype: uint32
	41%\|█████████████████████████████████████████████████████████████████████████████████████████████████████▊ \| 45/110 [00:28<00:08, 7.56it/s] [2024-02-21 21:11:26] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.15.mlp.gate_up_proj.q_scale[0m", shape: (32768, 64), dtype: float32
	41%\|█████████████████████████████████████████████████████████████████████████████████████████████████████▊ \| 45/110 [00:28<00:08, 7.56it/s] [2024-02-21 21:11:26] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.15.post_attention_layernorm.weight[0m", shape: (2048,), dtype: float32
	41%\|█████████████████████████████████████████████████████████████████████████████████████████████████████▊ \| 45/110 [00:28<00:08, 7.56it/s] 43%\|██████████████████████████████████████████████████████████████████████████████████████████████████████████▍ \| 47/110 [00:28<00:13, 4.84it/s] [2024-02-21 21:11:26] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.15.self_attn.qkv_proj.q_weight[0m", shape: (2560, 256), dtype: uint32
	43%\|██████████████████████████████████████████████████████████████████████████████████████████████████████████▍ \| 47/110 [00:28<00:13, 4.84it/s] [2024-02-21 21:11:26] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.15.self_attn.qkv_proj.q_scale[0m", shape: (2560, 64), dtype: float32
	43%\|██████████████████████████████████████████████████████████████████████████████████████████████████████████▍ \| 47/110 [00:28<00:13, 4.84it/s] [2024-02-21 21:11:26] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.15.self_attn.o_proj.q_weight[0m", shape: (2048, 256), dtype: uint32
	43%\|██████████████████████████████████████████████████████████████████████████████████████████████████████████▍ \| 47/110 [00:28<00:13, 4.84it/s] [2024-02-21 21:11:26] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.15.self_attn.o_proj.q_scale[0m", shape: (2048, 64), dtype: float32
	43%\|██████████████████████████████████████████████████████████████████████████████████████████████████████████▍ \| 47/110 [00:28<00:13, 4.84it/s] [2024-02-21 21:11:26] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.16.input_layernorm.weight[0m", shape: (2048,), dtype: float32
	43%\|██████████████████████████████████████████████████████████████████████████████████████████████████████████▍ \| 47/110 [00:28<00:13, 4.84it/s] [2024-02-21 21:11:26] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.16.mlp.down_proj.q_weight[0m", shape: (2048, 2048), dtype: uint32
	43%\|██████████████████████████████████████████████████████████████████████████████████████████████████████████▍ \| 47/110 [00:28<00:13, 4.84it/s] [2024-02-21 21:11:26] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.16.mlp.down_proj.q_scale[0m", shape: (2048, 512), dtype: float32
	43%\|██████████████████████████████████████████████████████████████████████████████████████████████████████████▍ \| 47/110 [00:28<00:13, 4.84it/s] 46%\|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ \| 51/110 [00:28<00:08, 6.98it/s] [2024-02-21 21:11:27] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.16.mlp.gate_up_proj.q_weight[0m", shape: (32768, 256), dtype: uint32
	46%\|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ \| 51/110 [00:29<00:08, 6.98it/s] [2024-02-21 21:11:27] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.16.mlp.gate_up_proj.q_scale[0m", shape: (32768, 64), dtype: float32
	46%\|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ \| 51/110 [00:29<00:08, 6.98it/s] [2024-02-21 21:11:27] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.16.post_attention_layernorm.weight[0m", shape: (2048,), dtype: float32
	46%\|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ \| 51/110 [00:29<00:08, 6.98it/s] 48%\|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ \| 53/110 [00:29<00:10, 5.21it/s] [2024-02-21 21:11:27] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.16.self_attn.qkv_proj.q_weight[0m", shape: (2560, 256), dtype: uint32
	48%\|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ \| 53/110 [00:29<00:10, 5.21it/s] [2024-02-21 21:11:27] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.16.self_attn.qkv_proj.q_scale[0m", shape: (2560, 64), dtype: float32
	48%\|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ \| 53/110 [00:29<00:10, 5.21it/s] [2024-02-21 21:11:27] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.16.self_attn.o_proj.q_weight[0m", shape: (2048, 256), dtype: uint32
	48%\|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ \| 53/110 [00:29<00:10, 5.21it/s] [2024-02-21 21:11:27] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.16.self_attn.o_proj.q_scale[0m", shape: (2048, 64), dtype: float32
	48%\|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ \| 53/110 [00:29<00:10, 5.21it/s] [2024-02-21 21:11:28] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.17.mlp.gate_up_proj.q_weight[0m", shape: (32768, 256), dtype: uint32
	48%\|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ \| 53/110 [00:30<00:10, 5.21it/s] [2024-02-21 21:11:28] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.17.mlp.gate_up_proj.q_scale[0m", shape: (32768, 64), dtype: float32
	48%\|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ \| 53/110 [00:30<00:10, 5.21it/s] 51%\|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ \| 56/110 [00:30<00:11, 4.57it/s] [2024-02-21 21:11:28] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.17.self_attn.qkv_proj.q_weight[0m", shape: (2560, 256), dtype: uint32
	51%\|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ \| 56/110 [00:30<00:11, 4.57it/s] [2024-02-21 21:11:28] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.17.self_attn.qkv_proj.q_scale[0m", shape: (2560, 64), dtype: float32
	51%\|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ \| 56/110 [00:30<00:11, 4.57it/s] [2024-02-21 21:11:28] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.17.self_attn.o_proj.q_weight[0m", shape: (2048, 256), dtype: uint32
	51%\|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ \| 56/110 [00:30<00:11, 4.57it/s] [2024-02-21 21:11:28] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.17.self_attn.o_proj.q_scale[0m", shape: (2048, 64), dtype: float32
	51%\|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ \| 56/110 [00:30<00:11, 4.57it/s] [2024-02-21 21:11:28] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.2.input_layernorm.weight[0m", shape: (2048,), dtype: float32
	51%\|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ \| 56/110 [00:30<00:11, 4.57it/s] [2024-02-21 21:11:28] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.2.mlp.down_proj.q_weight[0m", shape: (2048, 2048), dtype: uint32
	51%\|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ \| 56/110 [00:30<00:11, 4.57it/s] [2024-02-21 21:11:28] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.2.mlp.down_proj.q_scale[0m", shape: (2048, 512), dtype: float32
	51%\|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ \| 56/110 [00:30<00:11, 4.57it/s] 55%\|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ \| 60/110 [00:30<00:07, 6.35it/s] [2024-02-21 21:11:29] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.2.mlp.gate_up_proj.q_weight[0m", shape: (32768, 256), dtype: uint32
	55%\|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ \| 60/110 [00:31<00:07, 6.35it/s] [2024-02-21 21:11:29] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.2.mlp.gate_up_proj.q_scale[0m", shape: (32768, 64), dtype: float32
	55%\|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ \| 60/110 [00:31<00:07, 6.35it/s] [2024-02-21 21:11:29] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.2.post_attention_layernorm.weight[0m", shape: (2048,), dtype: float32
	55%\|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ \| 60/110 [00:31<00:07, 6.35it/s] 56%\|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎ \| 62/110 [00:31<00:10, 4.71it/s] [2024-02-21 21:11:29] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.2.self_attn.qkv_proj.q_weight[0m", shape: (2560, 256), dtype: uint32
	56%\|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎ \| 62/110 [00:31<00:10, 4.71it/s] [2024-02-21 21:11:29] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.2.self_attn.qkv_proj.q_scale[0m", shape: (2560, 64), dtype: float32
	56%\|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎ \| 62/110 [00:31<00:10, 4.71it/s] [2024-02-21 21:11:29] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.2.self_attn.o_proj.q_weight[0m", shape: (2048, 256), dtype: uint32
	56%\|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎ \| 62/110 [00:31<00:10, 4.71it/s] [2024-02-21 21:11:29] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.2.self_attn.o_proj.q_scale[0m", shape: (2048, 64), dtype: float32
	56%\|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎ \| 62/110 [00:31<00:10, 4.71it/s] [2024-02-21 21:11:29] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.3.input_layernorm.weight[0m", shape: (2048,), dtype: float32
	56%\|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎ \| 62/110 [00:31<00:10, 4.71it/s] [2024-02-21 21:11:29] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.3.mlp.down_proj.q_weight[0m", shape: (2048, 2048), dtype: uint32
	56%\|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎ \| 62/110 [00:31<00:10, 4.71it/s] [2024-02-21 21:11:29] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.3.mlp.down_proj.q_scale[0m", shape: (2048, 512), dtype: float32
	56%\|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎ \| 62/110 [00:31<00:10, 4.71it/s] 60%\|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ \| 66/110 [00:31<00:07, 6.00it/s] [2024-02-21 21:11:30] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.3.mlp.gate_up_proj.q_weight[0m", shape: (32768, 256), dtype: uint32
	60%\|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ \| 66/110 [00:32<00:07, 6.00it/s] [2024-02-21 21:11:30] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.3.mlp.gate_up_proj.q_scale[0m", shape: (32768, 64), dtype: float32
	60%\|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ \| 66/110 [00:32<00:07, 6.00it/s] 61%\|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ \| 67/110 [00:32<00:11, 3.64it/s] [2024-02-21 21:11:30] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.3.post_attention_layernorm.weight[0m", shape: (2048,), dtype: float32
	61%\|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ \| 67/110 [00:32<00:11, 3.64it/s] [2024-02-21 21:11:30] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.3.self_attn.qkv_proj.q_weight[0m", shape: (2560, 256), dtype: uint32
	61%\|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ \| 67/110 [00:32<00:11, 3.64it/s] [2024-02-21 21:11:30] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.3.self_attn.qkv_proj.q_scale[0m", shape: (2560, 64), dtype: float32
	61%\|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ \| 67/110 [00:32<00:11, 3.64it/s] [2024-02-21 21:11:30] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.3.self_attn.o_proj.q_weight[0m", shape: (2048, 256), dtype: uint32
	61%\|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ \| 67/110 [00:32<00:11, 3.64it/s] [2024-02-21 21:11:30] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.3.self_attn.o_proj.q_scale[0m", shape: (2048, 64), dtype: float32
	61%\|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ \| 67/110 [00:32<00:11, 3.64it/s] [2024-02-21 21:11:30] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.4.input_layernorm.weight[0m", shape: (2048,), dtype: float32
	61%\|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ \| 67/110 [00:32<00:11, 3.64it/s] [2024-02-21 21:11:31] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.4.mlp.down_proj.q_weight[0m", shape: (2048, 2048), dtype: uint32
	61%\|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ \| 67/110 [00:33<00:11, 3.64it/s] [2024-02-21 21:11:31] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.4.mlp.down_proj.q_scale[0m", shape: (2048, 512), dtype: float32
	61%\|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ \| 67/110 [00:33<00:11, 3.64it/s] 65%\|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ \| 72/110 [00:33<00:06, 5.67it/s] [2024-02-21 21:11:31] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.4.mlp.gate_up_proj.q_weight[0m", shape: (32768, 256), dtype: uint32
	65%\|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ \| 72/110 [00:33<00:06, 5.67it/s] [2024-02-21 21:11:31] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.4.mlp.gate_up_proj.q_scale[0m", shape: (32768, 64), dtype: float32
	65%\|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ \| 72/110 [00:33<00:06, 5.67it/s] [2024-02-21 21:11:31] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.4.post_attention_layernorm.weight[0m", shape: (2048,), dtype: float32
	65%\|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ \| 72/110 [00:33<00:06, 5.67it/s] 67%\|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ \| 74/110 [00:33<00:07, 4.66it/s] [2024-02-21 21:11:31] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.4.self_attn.qkv_proj.q_weight[0m", shape: (2560, 256), dtype: uint32
	67%\|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ \| 74/110 [00:33<00:07, 4.66it/s] [2024-02-21 21:11:31] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.4.self_attn.qkv_proj.q_scale[0m", shape: (2560, 64), dtype: float32
	67%\|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ \| 74/110 [00:33<00:07, 4.66it/s] [2024-02-21 21:11:31] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.4.self_attn.o_proj.q_weight[0m", shape: (2048, 256), dtype: uint32
	67%\|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ \| 74/110 [00:33<00:07, 4.66it/s] [2024-02-21 21:11:31] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.4.self_attn.o_proj.q_scale[0m", shape: (2048, 64), dtype: float32
	67%\|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ \| 74/110 [00:33<00:07, 4.66it/s] [2024-02-21 21:11:31] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.5.input_layernorm.weight[0m", shape: (2048,), dtype: float32
	67%\|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ \| 74/110 [00:33<00:07, 4.66it/s] [2024-02-21 21:11:32] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.5.mlp.down_proj.q_weight[0m", shape: (2048, 2048), dtype: uint32
	67%\|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ \| 74/110 [00:34<00:07, 4.66it/s] [2024-02-21 21:11:32] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.5.mlp.down_proj.q_scale[0m", shape: (2048, 512), dtype: float32
	67%\|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ \| 74/110 [00:34<00:07, 4.66it/s] 71%\|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ \| 78/110 [00:34<00:05, 6.30it/s] [2024-02-21 21:11:33] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.5.mlp.gate_up_proj.q_weight[0m", shape: (32768, 256), dtype: uint32
	71%\|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ \| 78/110 [00:35<00:05, 6.30it/s] [2024-02-21 21:11:33] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.5.mlp.gate_up_proj.q_scale[0m", shape: (32768, 64), dtype: float32
	71%\|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ \| 78/110 [00:35<00:05, 6.30it/s] [2024-02-21 21:11:33] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.5.post_attention_layernorm.weight[0m", shape: (2048,), dtype: float32
	71%\|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ \| 78/110 [00:35<00:05, 6.30it/s] 73%\|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████ \| 80/110 [00:35<00:07, 4.13it/s] [2024-02-21 21:11:33] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.5.self_attn.qkv_proj.q_weight[0m", shape: (2560, 256), dtype: uint32
	73%\|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████ \| 80/110 [00:35<00:07, 4.13it/s] [2024-02-21 21:11:33] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.5.self_attn.qkv_proj.q_scale[0m", shape: (2560, 64), dtype: float32
	73%\|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████ \| 80/110 [00:35<00:07, 4.13it/s] 74%\|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎ \| 81/110 [00:35<00:06, 4.25it/s] [2024-02-21 21:11:33] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.5.self_attn.o_proj.q_weight[0m", shape: (2048, 256), dtype: uint32
	74%\|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎ \| 81/110 [00:35<00:06, 4.25it/s] [2024-02-21 21:11:33] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.5.self_attn.o_proj.q_scale[0m", shape: (2048, 64), dtype: float32
	74%\|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎ \| 81/110 [00:35<00:06, 4.25it/s] [2024-02-21 21:11:33] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.6.input_layernorm.weight[0m", shape: (2048,), dtype: float32
	74%\|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎ \| 81/110 [00:35<00:06, 4.25it/s] [2024-02-21 21:11:33] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.6.mlp.down_proj.q_weight[0m", shape: (2048, 2048), dtype: uint32
	74%\|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎ \| 81/110 [00:35<00:06, 4.25it/s] [2024-02-21 21:11:33] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.6.mlp.down_proj.q_scale[0m", shape: (2048, 512), dtype: float32
	74%\|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎ \| 81/110 [00:35<00:06, 4.25it/s] 76%\|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ \| 84/110 [00:35<00:04, 5.83it/s] [2024-02-21 21:11:34] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.6.mlp.gate_up_proj.q_weight[0m", shape: (32768, 256), dtype: uint32
	76%\|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ \| 84/110 [00:36<00:04, 5.83it/s] [2024-02-21 21:11:34] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.6.mlp.gate_up_proj.q_scale[0m", shape: (32768, 64), dtype: float32
	76%\|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ \| 84/110 [00:36<00:04, 5.83it/s] [2024-02-21 21:11:34] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.6.post_attention_layernorm.weight[0m", shape: (2048,), dtype: float32
	76%\|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ \| 84/110 [00:36<00:04, 5.83it/s] 78%\|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ \| 86/110 [00:36<00:06, 3.69it/s] [2024-02-21 21:11:34] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.6.self_attn.qkv_proj.q_weight[0m", shape: (2560, 256), dtype: uint32
	78%\|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ \| 86/110 [00:36<00:06, 3.69it/s] [2024-02-21 21:11:34] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.6.self_attn.qkv_proj.q_scale[0m", shape: (2560, 64), dtype: float32
	78%\|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ \| 86/110 [00:36<00:06, 3.69it/s] [2024-02-21 21:11:34] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.6.self_attn.o_proj.q_weight[0m", shape: (2048, 256), dtype: uint32
	78%\|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ \| 86/110 [00:36<00:06, 3.69it/s] [2024-02-21 21:11:34] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.6.self_attn.o_proj.q_scale[0m", shape: (2048, 64), dtype: float32
	78%\|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ \| 86/110 [00:36<00:06, 3.69it/s] 80%\|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ \| 88/110 [00:36<00:04, 4.71it/s] [2024-02-21 21:11:34] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.7.input_layernorm.weight[0m", shape: (2048,), dtype: float32
	80%\|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ \| 88/110 [00:36<00:04, 4.71it/s] [2024-02-21 21:11:35] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.7.mlp.down_proj.q_weight[0m", shape: (2048, 2048), dtype: uint32
	80%\|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ \| 88/110 [00:37<00:04, 4.71it/s] [2024-02-21 21:11:35] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.7.mlp.down_proj.q_scale[0m", shape: (2048, 512), dtype: float32
	80%\|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ \| 88/110 [00:37<00:04, 4.71it/s] 82%\|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ \| 90/110 [00:37<00:03, 5.19it/s] [2024-02-21 21:11:36] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.7.mlp.gate_up_proj.q_weight[0m", shape: (32768, 256), dtype: uint32
	82%\|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ \| 90/110 [00:38<00:03, 5.19it/s] [2024-02-21 21:11:36] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.7.mlp.gate_up_proj.q_scale[0m", shape: (32768, 64), dtype: float32
	82%\|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ \| 90/110 [00:38<00:03, 5.19it/s] 83%\|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ \| 91/110 [00:38<00:06, 3.01it/s] [2024-02-21 21:11:36] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.7.post_attention_layernorm.weight[0m", shape: (2048,), dtype: float32
	83%\|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ \| 91/110 [00:38<00:06, 3.01it/s] [2024-02-21 21:11:36] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.7.self_attn.qkv_proj.q_weight[0m", shape: (2560, 256), dtype: uint32
	83%\|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ \| 91/110 [00:38<00:06, 3.01it/s] [2024-02-21 21:11:36] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.7.self_attn.qkv_proj.q_scale[0m", shape: (2560, 64), dtype: float32
	83%\|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ \| 91/110 [00:38<00:06, 3.01it/s] 85%\|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ \| 93/110 [00:38<00:04, 4.02it/s] [2024-02-21 21:11:36] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.7.self_attn.o_proj.q_weight[0m", shape: (2048, 256), dtype: uint32
	85%\|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ \| 93/110 [00:38<00:04, 4.02it/s] [2024-02-21 21:11:36] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.7.self_attn.o_proj.q_scale[0m", shape: (2048, 64), dtype: float32
	85%\|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ \| 93/110 [00:38<00:04, 4.02it/s] [2024-02-21 21:11:36] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.8.input_layernorm.weight[0m", shape: (2048,), dtype: float32
	85%\|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ \| 93/110 [00:38<00:04, 4.02it/s] [2024-02-21 21:11:36] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.8.mlp.down_proj.q_weight[0m", shape: (2048, 2048), dtype: uint32
	85%\|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ \| 93/110 [00:38<00:04, 4.02it/s] [2024-02-21 21:11:36] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.8.mlp.down_proj.q_scale[0m", shape: (2048, 512), dtype: float32
	85%\|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ \| 93/110 [00:38<00:04, 4.02it/s] 87%\|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎ \| 96/110 [00:38<00:02, 5.64it/s] [2024-02-21 21:11:37] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.8.mlp.gate_up_proj.q_weight[0m", shape: (32768, 256), dtype: uint32
	87%\|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎ \| 96/110 [00:39<00:02, 5.64it/s] [2024-02-21 21:11:37] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.8.mlp.gate_up_proj.q_scale[0m", shape: (32768, 64), dtype: float32
	87%\|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎ \| 96/110 [00:39<00:02, 5.64it/s] [2024-02-21 21:11:37] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.8.post_attention_layernorm.weight[0m", shape: (2048,), dtype: float32
	87%\|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎ \| 96/110 [00:39<00:02, 5.64it/s] 89%\|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ \| 98/110 [00:39<00:03, 3.85it/s] [2024-02-21 21:11:37] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.8.self_attn.qkv_proj.q_weight[0m", shape: (2560, 256), dtype: uint32
	89%\|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ \| 98/110 [00:39<00:03, 3.85it/s] [2024-02-21 21:11:37] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.8.self_attn.qkv_proj.q_scale[0m", shape: (2560, 64), dtype: float32
	89%\|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ \| 98/110 [00:39<00:03, 3.85it/s] 90%\|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████ \| 99/110 [00:39<00:02, 4.25it/s] [2024-02-21 21:11:37] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.8.self_attn.o_proj.q_weight[0m", shape: (2048, 256), dtype: uint32
	90%\|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████ \| 99/110 [00:39<00:02, 4.25it/s] [2024-02-21 21:11:37] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.8.self_attn.o_proj.q_scale[0m", shape: (2048, 64), dtype: float32
	90%\|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████ \| 99/110 [00:39<00:02, 4.25it/s] [2024-02-21 21:11:37] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.9.input_layernorm.weight[0m", shape: (2048,), dtype: float32
	90%\|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████ \| 99/110 [00:39<00:02, 4.25it/s] [2024-02-21 21:11:37] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.9.mlp.down_proj.q_weight[0m", shape: (2048, 2048), dtype: uint32
	90%\|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████ \| 99/110 [00:39<00:02, 4.25it/s] [2024-02-21 21:11:37] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.9.mlp.down_proj.q_scale[0m", shape: (2048, 512), dtype: float32
	90%\|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████ \| 99/110 [00:39<00:02, 4.25it/s] 93%\|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ \| 102/110 [00:39<00:01, 5.53it/s] [2024-02-21 21:11:38] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.9.mlp.gate_up_proj.q_weight[0m", shape: (32768, 256), dtype: uint32
	93%\|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ \| 102/110 [00:40<00:01, 5.53it/s] [2024-02-21 21:11:38] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.9.mlp.gate_up_proj.q_scale[0m", shape: (32768, 64), dtype: float32
	93%\|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ \| 102/110 [00:40<00:01, 5.53it/s] 94%\|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ \| 103/110 [00:40<00:02, 3.35it/s] [2024-02-21 21:11:38] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.9.post_attention_layernorm.weight[0m", shape: (2048,), dtype: float32
	94%\|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ \| 103/110 [00:40<00:02, 3.35it/s] [2024-02-21 21:11:38] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.9.self_attn.qkv_proj.q_weight[0m", shape: (2560, 256), dtype: uint32
	94%\|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ \| 103/110 [00:40<00:02, 3.35it/s] [2024-02-21 21:11:38] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.9.self_attn.qkv_proj.q_scale[0m", shape: (2560, 64), dtype: float32
	94%\|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ \| 103/110 [00:40<00:02, 3.35it/s] [2024-02-21 21:11:38] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.9.self_attn.o_proj.q_weight[0m", shape: (2048, 256), dtype: uint32
	94%\|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ \| 103/110 [00:40<00:02, 3.35it/s] [2024-02-21 21:11:38] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.9.self_attn.o_proj.q_scale[0m", shape: (2048, 64), dtype: float32
	94%\|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ \| 103/110 [00:40<00:02, 3.35it/s] 96%\|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ \| 106/110 [00:40<00:00, 5.09it/s] [2024-02-21 21:11:38] INFO huggingface_loader.py:194: Unloading HF weight file: /models/gemma-2b-it/model-00001-of-00002.safetensors
	96%\|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ \| 106/110 [00:40<00:00, 5.09it/s] [2024-02-21 21:11:39] INFO huggingface_loader.py:182: Loading HF parameters from: /models/gemma-2b-it/model-00002-of-00002.safetensors
	96%\|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ \| 106/110 [00:41<00:00, 5.09it/s] [2024-02-21 21:11:39] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.17.input_layernorm.weight[0m", shape: (2048,), dtype: float32
	96%\|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ \| 106/110 [00:41<00:00, 5.09it/s] [2024-02-21 21:11:40] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.17.mlp.down_proj.q_weight[0m", shape: (2048, 2048), dtype: uint32
	96%\|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ \| 106/110 [00:42<00:00, 5.09it/s] [2024-02-21 21:11:40] INFO huggingface_loader.py:164: [Quantized] Parameter: "[1mmodel.layers.17.mlp.down_proj.q_scale[0m", shape: (2048, 512), dtype: float32
	96%\|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ \| 106/110 [00:42<00:00, 5.09it/s] 98%\|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ \| 108/110 [00:42<00:00, 2.35it/s] [2024-02-21 21:11:40] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.layers.17.post_attention_layernorm.weight[0m", shape: (2048,), dtype: float32
	98%\|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ \| 108/110 [00:42<00:00, 2.35it/s] [2024-02-21 21:11:40] INFO huggingface_loader.py:172: [Not quantized] Parameter: "[1mmodel.norm.weight[0m", shape: (2048,), dtype: float32
	98%\|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ \| 108/110 [00:42<00:00, 2.35it/s] 100%\|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████\| 110/110 [00:42<00:00, 2.57it/s]
	[2024-02-21 21:11:40] INFO huggingface_loader.py:194: Unloading HF weight file: /models/gemma-2b-it/model-00002-of-00002.safetensors
	[2024-02-21 21:11:41] INFO stats.py:76: [92mTime usage[0m: HF loading: 14.074 sec; Pre-quantization mapping: 21.269 sec; Quantization: 3.821 sec
	[2024-02-21 21:11:41] INFO stats.py:90: [92mRAM usage[0m: Peak RAM: 9.211 GB. Total bytes loaded from disk: 9.336 GB
	[2024-02-21 21:11:41] INFO convert_weight.py:132: [92mParameter size[0m after quantization: 1.459 GB
	[2024-02-21 21:11:41] INFO convert_weight.py:137: [92mTotal parameters[0m: 2,506,172,416
	[2024-02-21 21:11:41] INFO convert_weight.py:138: [92mBits per parameter[0m: 5.001
	/home/cfruan/.conda/envs/mlc-source-311/lib/python3.11/site-packages/numpy/core/getlimits.py:549: UserWarning: The value of the smallest subnormal for <class 'numpy.float32'> type is zero.
	setattr(self, word, getattr(machar, word).flat[0])
	/home/cfruan/.conda/envs/mlc-source-311/lib/python3.11/site-packages/numpy/core/getlimits.py:89: UserWarning: The value of the smallest subnormal for <class 'numpy.float32'> type is zero.
	return self._float_to_str(self.smallest_subnormal)
	Start storing to cache /tmp/tmpzgbcqa60
	[0001/0183] saving model.embed_tokens.q_weight [0002/0183] saving model.embed_tokens.q_scale [0003/0183] saving model.layers.0.input_layernorm.weight [0004/0183] saving model.layers.0.mlp.down_proj.q_weight [0005/0183] saving model.layers.0.mlp.down_proj.q_scale [0006/0183] saving model.layers.0.mlp.gate_up_proj.q_weight [0007/0183] saving model.layers.0.mlp.gate_up_proj.q_scale [0008/0183] saving model.layers.0.post_attention_layernorm.weight [0009/0183] saving model.layers.0.self_attn.qkv_proj.q_weight [0010/0183] saving model.layers.0.self_attn.qkv_proj.q_scale [0011/0183] saving model.layers.0.self_attn.o_proj.q_weight [0012/0183] saving model.layers.0.self_attn.o_proj.q_scale [0013/0183] saving model.layers.1.input_layernorm.weight [0014/0183] saving model.layers.1.mlp.down_proj.q_weight [0015/0183] saving model.layers.1.mlp.down_proj.q_scale [0016/0183] saving model.layers.1.mlp.gate_up_proj.q_weight [0017/0183] saving model.layers.1.mlp.gate_up_proj.q_scale [0018/0183] saving model.layers.1.post_attention_layernorm.weight [0019/0183] saving model.layers.1.self_attn.qkv_proj.q_weight [0020/0183] saving model.layers.1.self_attn.qkv_proj.q_scale [0021/0183] saving model.layers.1.self_attn.o_proj.q_weight [0022/0183] saving model.layers.1.self_attn.o_proj.q_scale [0023/0183] saving model.layers.10.input_layernorm.weight [0024/0183] saving model.layers.10.mlp.down_proj.q_weight [0025/0183] saving model.layers.10.mlp.down_proj.q_scale [0026/0183] saving model.layers.10.mlp.gate_up_proj.q_weight [0027/0183] saving model.layers.10.mlp.gate_up_proj.q_scale [0028/0183] saving model.layers.10.post_attention_layernorm.weight [0029/0183] saving model.layers.10.self_attn.qkv_proj.q_weight [0030/0183] saving model.layers.10.self_attn.qkv_proj.q_scale [0031/0183] saving model.layers.10.self_attn.o_proj.q_weight [0032/0183] saving model.layers.10.self_attn.o_proj.q_scale [0033/0183] saving model.layers.11.input_layernorm.weight [0034/0183] saving model.layers.11.mlp.down_proj.q_weight [0035/0183] saving model.layers.11.mlp.down_proj.q_scale [0036/0183] saving model.layers.11.mlp.gate_up_proj.q_weight [0037/0183] saving model.layers.11.mlp.gate_up_proj.q_scale [0038/0183] saving model.layers.11.post_attention_layernorm.weight [0039/0183] saving model.layers.11.self_attn.qkv_proj.q_weight [0040/0183] saving model.layers.11.self_attn.qkv_proj.q_scale [0041/0183] saving model.layers.11.self_attn.o_proj.q_weight [0042/0183] saving model.layers.11.self_attn.o_proj.q_scale [0043/0183] saving model.layers.12.input_layernorm.weight [0044/0183] saving model.layers.12.mlp.down_proj.q_weight [0045/0183] saving model.layers.12.mlp.down_proj.q_scale [0046/0183] saving model.layers.12.mlp.gate_up_proj.q_weight [0047/0183] saving model.layers.12.mlp.gate_up_proj.q_scale [0048/0183] saving model.layers.12.post_attention_layernorm.weight [0049/0183] saving model.layers.12.self_attn.qkv_proj.q_weight [0050/0183] saving model.layers.12.self_attn.qkv_proj.q_scale [0051/0183] saving model.layers.12.self_attn.o_proj.q_weight [0052/0183] saving model.layers.12.self_attn.o_proj.q_scale [0053/0183] saving model.layers.13.input_layernorm.weight [0054/0183] saving model.layers.13.mlp.down_proj.q_weight [0055/0183] saving model.layers.13.mlp.down_proj.q_scale [0056/0183] saving model.layers.13.mlp.gate_up_proj.q_weight [0057/0183] saving model.layers.13.mlp.gate_up_proj.q_scale [0058/0183] saving model.layers.13.post_attention_layernorm.weight [0059/0183] saving model.layers.13.self_attn.qkv_proj.q_weight [0060/0183] saving model.layers.13.self_attn.qkv_proj.q_scale [0061/0183] saving model.layers.13.self_attn.o_proj.q_weight [0062/0183] saving model.layers.13.self_attn.o_proj.q_scale [0063/0183] saving model.layers.14.input_layernorm.weight [0064/0183] saving model.layers.14.mlp.down_proj.q_weight [0065/0183] saving model.layers.14.mlp.down_proj.q_scale [0066/0183] saving model.layers.14.mlp.gate_up_proj.q_weight [0067/0183] saving model.layers.14.mlp.gate_up_proj.q_scale [0068/0183] saving model.layers.14.post_attention_layernorm.weight [0069/0183] saving model.layers.14.self_attn.qkv_proj.q_weight [0070/0183] saving model.layers.14.self_attn.qkv_proj.q_scale [0071/0183] saving model.layers.14.self_attn.o_proj.q_weight [0072/0183] saving model.layers.14.self_attn.o_proj.q_scale [0073/0183] saving model.layers.15.input_layernorm.weight [0074/0183] saving model.layers.15.mlp.down_proj.q_weight [0075/0183] saving model.layers.15.mlp.down_proj.q_scale [0076/0183] saving model.layers.15.mlp.gate_up_proj.q_weight [0077/0183] saving model.layers.15.mlp.gate_up_proj.q_scale [0078/0183] saving model.layers.15.post_attention_layernorm.weight [0079/0183] saving model.layers.15.self_attn.qkv_proj.q_weight [0080/0183] saving model.layers.15.self_attn.qkv_proj.q_scale [0081/0183] saving model.layers.15.self_attn.o_proj.q_weight [0082/0183] saving model.layers.15.self_attn.o_proj.q_scale [0083/0183] saving model.layers.16.input_layernorm.weight [0084/0183] saving model.layers.16.mlp.down_proj.q_weight [0085/0183] saving model.layers.16.mlp.down_proj.q_scale [0086/0183] saving model.layers.16.mlp.gate_up_proj.q_weight [0087/0183] saving model.layers.16.mlp.gate_up_proj.q_scale [0088/0183] saving model.layers.16.post_attention_layernorm.weight [0089/0183] saving model.layers.16.self_attn.qkv_proj.q_weight [0090/0183] saving model.layers.16.self_attn.qkv_proj.q_scale [0091/0183] saving model.layers.16.self_attn.o_proj.q_weight [0092/0183] saving model.layers.16.self_attn.o_proj.q_scale [0093/0183] saving model.layers.17.mlp.gate_up_proj.q_weight [0094/0183] saving model.layers.17.mlp.gate_up_proj.q_scale [0095/0183] saving model.layers.17.self_attn.qkv_proj.q_weight [0096/0183] saving model.layers.17.self_attn.qkv_proj.q_scale [0097/0183] saving model.layers.17.self_attn.o_proj.q_weight [0098/0183] saving model.layers.17.self_attn.o_proj.q_scale [0099/0183] saving model.layers.2.input_layernorm.weight [0100/0183] saving model.layers.2.mlp.down_proj.q_weight [0101/0183] saving model.layers.2.mlp.down_proj.q_scale [0102/0183] saving model.layers.2.mlp.gate_up_proj.q_weight [0103/0183] saving model.layers.2.mlp.gate_up_proj.q_scale [0104/0183] saving model.layers.2.post_attention_layernorm.weight [0105/0183] saving model.layers.2.self_attn.qkv_proj.q_weight [0106/0183] saving model.layers.2.self_attn.qkv_proj.q_scale [0107/0183] saving model.layers.2.self_attn.o_proj.q_weight [0108/0183] saving model.layers.2.self_attn.o_proj.q_scale [0109/0183] saving model.layers.3.input_layernorm.weight [0110/0183] saving model.layers.3.mlp.down_proj.q_weight [0111/0183] saving model.layers.3.mlp.down_proj.q_scale [0112/0183] saving model.layers.3.mlp.gate_up_proj.q_weight [0113/0183] saving model.layers.3.mlp.gate_up_proj.q_scale [0114/0183] saving model.layers.3.post_attention_layernorm.weight [0115/0183] saving model.layers.3.self_attn.qkv_proj.q_weight [0116/0183] saving model.layers.3.self_attn.qkv_proj.q_scale [0117/0183] saving model.layers.3.self_attn.o_proj.q_weight [0118/0183] saving model.layers.3.self_attn.o_proj.q_scale [0119/0183] saving model.layers.4.input_layernorm.weight [0120/0183] saving model.layers.4.mlp.down_proj.q_weight [0121/0183] saving model.layers.4.mlp.down_proj.q_scale [0122/0183] saving model.layers.4.mlp.gate_up_proj.q_weight [0123/0183] saving model.layers.4.mlp.gate_up_proj.q_scale [0124/0183] saving model.layers.4.post_attention_layernorm.weight [0125/0183] saving model.layers.4.self_attn.qkv_proj.q_weight [0126/0183] saving model.layers.4.self_attn.qkv_proj.q_scale [0127/0183] saving model.layers.4.self_attn.o_proj.q_weight [0128/0183] saving model.layers.4.self_attn.o_proj.q_scale [0129/0183] saving model.layers.5.input_layernorm.weight[2024-02-21 21:11:48] INFO convert_weight.py:154: Saved to directory: [1m/tmp/tmpzgbcqa60[0m
	[0130/0183] saving model.layers.5.mlp.down_proj.q_weight [0131/0183] saving model.layers.5.mlp.down_proj.q_scale [0132/0183] saving model.layers.5.mlp.gate_up_proj.q_weight [0133/0183] saving model.layers.5.mlp.gate_up_proj.q_scale [0134/0183] saving model.layers.5.post_attention_layernorm.weight [0135/0183] saving model.layers.5.self_attn.qkv_proj.q_weight [0136/0183] saving model.layers.5.self_attn.qkv_proj.q_scale [0137/0183] saving model.layers.5.self_attn.o_proj.q_weight [0138/0183] saving model.layers.5.self_attn.o_proj.q_scale [0139/0183] saving model.layers.6.input_layernorm.weight [0140/0183] saving model.layers.6.mlp.down_proj.q_weight [0141/0183] saving model.layers.6.mlp.down_proj.q_scale [0142/0183] saving model.layers.6.mlp.gate_up_proj.q_weight [0143/0183] saving model.layers.6.mlp.gate_up_proj.q_scale [0144/0183] saving model.layers.6.post_attention_layernorm.weight [0145/0183] saving model.layers.6.self_attn.qkv_proj.q_weight [0146/0183] saving model.layers.6.self_attn.qkv_proj.q_scale [0147/0183] saving model.layers.6.self_attn.o_proj.q_weight [0148/0183] saving model.layers.6.self_attn.o_proj.q_scale [0149/0183] saving model.layers.7.input_layernorm.weight [0150/0183] saving model.layers.7.mlp.down_proj.q_weight [0151/0183] saving model.layers.7.mlp.down_proj.q_scale [0152/0183] saving model.layers.7.mlp.gate_up_proj.q_weight [0153/0183] saving model.layers.7.mlp.gate_up_proj.q_scale [0154/0183] saving model.layers.7.post_attention_layernorm.weight [0155/0183] saving model.layers.7.self_attn.qkv_proj.q_weight [0156/0183] saving model.layers.7.self_attn.qkv_proj.q_scale [0157/0183] saving model.layers.7.self_attn.o_proj.q_weight [0158/0183] saving model.layers.7.self_attn.o_proj.q_scale [0159/0183] saving model.layers.8.input_layernorm.weight [0160/0183] saving model.layers.8.mlp.down_proj.q_weight [0161/0183] saving model.layers.8.mlp.down_proj.q_scale [0162/0183] saving model.layers.8.mlp.gate_up_proj.q_weight [0163/0183] saving model.layers.8.mlp.gate_up_proj.q_scale [0164/0183] saving model.layers.8.post_attention_layernorm.weight [0165/0183] saving model.layers.8.self_attn.qkv_proj.q_weight [0166/0183] saving model.layers.8.self_attn.qkv_proj.q_scale [0167/0183] saving model.layers.8.self_attn.o_proj.q_weight [0168/0183] saving model.layers.8.self_attn.o_proj.q_scale [0169/0183] saving model.layers.9.input_layernorm.weight [0170/0183] saving model.layers.9.mlp.down_proj.q_weight [0171/0183] saving model.layers.9.mlp.down_proj.q_scale [0172/0183] saving model.layers.9.mlp.gate_up_proj.q_weight [0173/0183] saving model.layers.9.mlp.gate_up_proj.q_scale [0174/0183] saving model.layers.9.post_attention_layernorm.weight [0175/0183] saving model.layers.9.self_attn.qkv_proj.q_weight [0176/0183] saving model.layers.9.self_attn.qkv_proj.q_scale [0177/0183] saving model.layers.9.self_attn.o_proj.q_weight [0178/0183] saving model.layers.9.self_attn.o_proj.q_scale [0179/0183] saving model.layers.17.input_layernorm.weight [0180/0183] saving model.layers.17.mlp.down_proj.q_weight [0181/0183] saving model.layers.17.mlp.down_proj.q_scale [0182/0183] saving model.layers.17.post_attention_layernorm.weight [0183/0183] saving model.norm.weight
	All finished, 38 total shards committed, record saved to /tmp/tmpzgbcqa60/ndarray-cache.json
	Also saved a bf16 record to /tmp/tmpzgbcqa60/ndarray-cache-b16.json