docs(quantization): add more test (#53)

* docs(quantization): add more test

* revert(generate.sh): revert ninja

* revert(llama_config.ini): revert empty line

* fix(quantization.md): fix link error

docs/zh_cn/quantization.md

 # PTQ 量化测试结果
 
-测试对象为内部早期的 100B 模型。尽管模型暂不开放，测试数据仍能展示量化方法对此模型的影响。
+## 显存测试
+测试对象为 [Chinese-LLaMa-Alpaca 7B](https://github.com/ymcui/Chinese-LLaMA-Alpaca) 指令模型。
 测试方法：
-1. 运行 `deploy.py`，切分 100B 模型到 8 个 GPU 上
-2. 运行量化脚本，得到量化参数，放到 weights 目录
-3. 修改配置文件，使 [kCacheKVInt8](../../src/turbomind/models/llama/llama_utils.h) 选项生效
-4. 执行测试数据集，和 fp16 版本对比精度和显存使用情况
-
-## 显存降低
-
-随着 batch_size 增加，`kCacheKVInt8` 可以节约更多显存，从而降低部署成本。
-
-| batch | int8 memory(GB/GPU) | fp16 memory(GB/GPU) |
-| :-: | :-: | :-: |
-| 16 | 40 | 43 |
-| 32 | 48 | 60 |
-
-
-## 精度影响
-
-以下是 `kCacheKVInt8` 方法仅用 c4 数据集量化，在其他数据集的精度损失，数值仅供参考。
-
-| task | dataset | version | metric | diff |
-| :-: | :-: | :-: | :-: | :-: |
-| Exam             | ceval           | -         | avg_accuracy | -0.43 |
-| Exam             | ceval-hard      | -         | avg_accuracy | 2.24 |
-| ChineseUniversal | CMRC_dev        | v1-65aa5c | score        | -2.99 |
-| ChineseUniversal | DRCD_dev        | v1-65aa5c | score        | -1.14 |
-| ChineseUniversal | afqmc-dev       | v1-bbbabc | accuracy     | 1.67 |
-| ChineseUniversal | bustm-dev       | v1-ecded6 | accuracy     | 10.62 |
-| ChineseUniversal | bustm-test      | v1-ecded6 | accuracy     | 14.90 |
-| ChineseUniversal | chid-dev        | v1-ffc5eb | accuracy     | -5.94 |
-| ChineseUniversal | chid-test       | v1-ffc5eb | accuracy     | -4.19 |
-| ChineseUniversal | cluewsc-dev     | v1-b88a63 | accuracy     | -4.40 |
-| ChineseUniversal | cluewsc-test    | v1-b88a63 | accuracy     | -2.56 |
-| ChineseUniversal | eprstmt-dev     | v1-99cf6f | accuracy     | 1.87 |
-| ChineseUniversal | eprstmt-test    | v1-99cf6f | accuracy     | 1.48 |
-| Completion       | lambada         | v1-678ebd | accuracy     | -1.65 |
-| Completion       | story_cloze     | v1-f92a41 | accuracy     | -0.11 |
-| EnglishUniversal | AX_b            | v1-78e4c2 | accuracy     | -1.27 |
-| EnglishUniversal | AX_g            | v1-ccfc17 | accuracy     | -2.81 |
-| EnglishUniversal | BoolQ           | v1-2c7cf3 | accuracy     | -4.22 |
-| EnglishUniversal | CB              | v1-f60fbb | accuracy     | 0.00 |
-| EnglishUniversal | COPA            | v1-d3a03c | accuracy     | -2.00 |
-| EnglishUniversal | MultiRC         | v1-560d31 | accuracy     | -8.79 |
-| EnglishUniversal | ReCoRD          | v1-5a2219 | score        | -2.09 |
-| EnglishUniversal | RTE             | v1-ccfc17 | accuracy     | -3.25 |
-| EnglishUniversal | WiC             | v1-019721 | accuracy     | -6.74 |
-| EnglishUniversal | WSC             | v1-57571c | accuracy     | -5.77 |
-| EnglishUniversal | race-middle     | v1-0c5c3c | accuracy     | -1.19 |
-| EnglishUniversal | race-high       | v1-0c5c3c | accuracy     | -1.06 |
-| Reasoning        | gsm8k_main      | v1-3d5be1 | accuracy     | -8.80 |
-| QA               | hellaswag       | v1-3e134d | accuracy     | -1.45 |
-| QA               | piqa            | v1-362133 | accuracy     | -1.53 |
-| QA               | winogrande      | v1-a2f53f | accuracy     | -0.79 |
-| QA               | openbookqa      | v1-8587d7 | accuracy     | -7.00 |
-| QA               | openbookqa_fact | v1-4e92f0 | accuracy     | -14.00 |
-| QA               | nq              | v1-d2370e | score        | -2.16 |
-| QA               | triviaqa        | v1-ead882 | score        | -0.43 |
-| Security         | crows_pairs     | v1-8fe12f | accuracy     | 11.08 |
+1. 使用 `deploy.py` 转换模型，修改 `workspace` 配置中的最大并发数；调整 `llama_config.ini` 中的请求数
+2. 编译执行 `bin/llama_triton_example`，获取 fp16 版本在不同 batch_size 的显存情况
+3. 执行量化脚本，获取量化参数；修改配置文件，使 [kCacheKVInt8](../../src/turbomind/models/llama/llama_utils.h) 选项生效
+4. 重新执行 `bin/llama_triton_example`，获取 int8 版本在不同 batch_size 显存情况
+
+以下是两个版本的显存对比：
+
+| batch_size | fp16 memory(MiB) | int8 memory(MiB) | diff(MiB) |
+| :-: | :-: | :-: | :-: |
+| 8 | 22337 | 18241 | -4096 |
+| 16 | 30593 | 22369 | -8224 |
+| 32 | 47073 | 30625 | -16448 |
+| 48 | 63553 | 38881 | -24672 |
+
+相对于直接量化 Weight（如 [GPTQ-for-LLaMa](https://github.com/qwopqwop200/GPTQ-for-LLaMa/)），我们做了两种方案在 7B 模型中的内存增长对比预估，部分数据来自 [llama.cpp](https://github.com/ggerganov/llama.cpp)。
+
+![](../../resources/batch_memory.png)
+
+因为每个并发需要 1030MB 显存为 2048 token 保存 kv_cache，而服务端需要考量高并发场景的成本，所以量化 kv_cache 比直接量化 weight更合适。
+
+需要注意的是，`kCacheKVInt8` 和 `WeightInt4` 两种方案可以同时运行，我们后续将提供相关实现。
+
+## 精度测试
+
+测试对象为 [Chinese-LLaMa-Alpaca 7B](https://github.com/ymcui/Chinese-LLaMA-Alpaca) 指令模型。
+测试方法：
+1. 用 `deploy.py` 转换模型，运行 docker 服务
+2. 通过 `client.py` 测试数据集，获取 fp16 版本精度
+3. 执行量化脚本，得到量化参数，放到 weights 目录；修改配置文件，使 [kCacheKVInt8](../../src/turbomind/models/llama/llama_utils.h) 选项生效
+4. 再次执行 `client.py`，读取 int8 版本精度
+
+以下是 `kCacheKVInt8` 方法仅用 c4 数据集量化，在 mmlu-social-science 数据集的精度损失。
+
+| task | dataset | metric | fp16 | int8 | diff |
+| :-: | :-: | :-: | :-: | :-: | :-: |
+| Exam | mmlu-social-science | score | 31.81 | 32.00 | +0.19 |
+
+我们注意到精度有轻微提升，mmlu-social-science 一共 3065 个选择题，具体差异如下：
+
+| 类型 | 个数 |
+| :-: | :-: |
+| fp16 版回答错误，int8 版变对 | 72 |
+| fp16 版回答正确，int8 版变错 | 66 |
+| 两版均答错且答案不同 | 118 |
+
+我们已经在更大的模型上验证了更多数据集，将持续更新结果。