diff --git "a/logs.txt" "b/logs.txt"
new file mode 100644--- /dev/null
+++ "b/logs.txt"
@@ -0,0 +1,394 @@
+python -m mlc_chat gen_config /ssd1/cfruan/models/Mistral-7B-Instruct-v0.2 --quantization q4f16_1 --conv-template mistral_default --output /tmp/tmpi74nzvb4
+[2023-12-17 15:18:55] INFO auto_config.py:116: Found model configuration: /ssd1/cfruan/models/Mistral-7B-Instruct-v0.2/config.json
+[2023-12-17 15:18:55] INFO auto_config.py:155: Found model type: mistral. Use `--model-type` to override.
+[2023-12-17 15:18:55] INFO mistral_model.py:45: context_window_size not found in config.json. Falling back to max_position_embeddings (32768)
+[2023-12-17 15:18:55] INFO mistral_model.py:76: Using sliding window attention, setting context_window_size to -1
+[2023-12-17 15:18:55] INFO gen_config.py:114: [generation_config.json] Setting bos_token_id: 1
+[2023-12-17 15:18:55] INFO gen_config.py:114: [generation_config.json] Setting eos_token_id: 2
+[2023-12-17 15:18:55] INFO gen_config.py:126: Found tokenizer config: /ssd1/cfruan/models/Mistral-7B-Instruct-v0.2/tokenizer.model. Copying to /tmp/tmpi74nzvb4/tokenizer.model
+[2023-12-17 15:18:55] INFO gen_config.py:126: Found tokenizer config: /ssd1/cfruan/models/Mistral-7B-Instruct-v0.2/tokenizer.json. Copying to /tmp/tmpi74nzvb4/tokenizer.json
+[2023-12-17 15:18:55] INFO gen_config.py:128: Not found tokenizer config: /ssd1/cfruan/models/Mistral-7B-Instruct-v0.2/vocab.json
+[2023-12-17 15:18:55] INFO gen_config.py:128: Not found tokenizer config: /ssd1/cfruan/models/Mistral-7B-Instruct-v0.2/merges.txt
+[2023-12-17 15:18:55] INFO gen_config.py:128: Not found tokenizer config: /ssd1/cfruan/models/Mistral-7B-Instruct-v0.2/added_tokens.json
+[2023-12-17 15:18:55] INFO gen_config.py:126: Found tokenizer config: /ssd1/cfruan/models/Mistral-7B-Instruct-v0.2/tokenizer_config.json. Copying to /tmp/tmpi74nzvb4/tokenizer_config.json
+[2023-12-17 15:18:55] INFO gen_config.py:68: [System default] Setting pad_token_id: 0
+[2023-12-17 15:18:55] INFO gen_config.py:68: [System default] Setting temperature: 0.7
+[2023-12-17 15:18:55] INFO gen_config.py:68: [System default] Setting repetition_penalty: 1.0
+[2023-12-17 15:18:55] INFO gen_config.py:68: [System default] Setting top_p: 0.95
+[2023-12-17 15:18:55] INFO gen_config.py:68: [System default] Setting mean_gen_len: 128
+[2023-12-17 15:18:55] INFO gen_config.py:68: [System default] Setting max_gen_len: 512
+[2023-12-17 15:18:55] INFO gen_config.py:68: [System default] Setting shift_fill_factor: 0.3
+[2023-12-17 15:18:55] INFO gen_config.py:156: Dumping configuration file to: /tmp/tmpi74nzvb4/mlc-chat-config.json
+python -m mlc_chat convert_weight /ssd1/cfruan/models/Mistral-7B-Instruct-v0.2 --quantization q4f16_1 --source-format auto --output /tmp/tmpi74nzvb4
+[2023-12-17 15:18:56] INFO auto_config.py:116: Found model configuration: /ssd1/cfruan/models/Mistral-7B-Instruct-v0.2/config.json
+[2023-12-17 15:18:56] INFO auto_device.py:75: Found device: cuda:0
+[2023-12-17 15:18:56] INFO auto_device.py:75: Found device: cuda:1
+[2023-12-17 15:18:56] INFO auto_device.py:84: Not found device: rocm:0
+[2023-12-17 15:18:56] INFO auto_device.py:84: Not found device: metal:0
+[2023-12-17 15:18:57] INFO auto_device.py:75: Found device: vulkan:0
+[2023-12-17 15:18:57] INFO auto_device.py:75: Found device: vulkan:1
+[2023-12-17 15:18:57] INFO auto_device.py:75: Found device: vulkan:2
+[2023-12-17 15:18:57] INFO auto_device.py:84: Not found device: opencl:0
+[2023-12-17 15:18:57] INFO auto_device.py:33: Using device: cuda:0
+[2023-12-17 15:18:57] INFO auto_weight.py:70: Finding weights in: /ssd1/cfruan/models/Mistral-7B-Instruct-v0.2
+[2023-12-17 15:18:57] INFO auto_weight.py:120: Found source weight format: huggingface-torch. Source configuration: /ssd1/cfruan/models/Mistral-7B-Instruct-v0.2/pytorch_model.bin.index.json
+[2023-12-17 15:18:57] INFO auto_weight.py:143: Found source weight format: huggingface-safetensor. Source configuration: /ssd1/cfruan/models/Mistral-7B-Instruct-v0.2/model.safetensors.index.json
+[2023-12-17 15:18:57] INFO auto_weight.py:106: Using source weight configuration: /ssd1/cfruan/models/Mistral-7B-Instruct-v0.2/pytorch_model.bin.index.json. Use `--source` to override.
+[2023-12-17 15:18:57] INFO auto_weight.py:110: Using source weight format: huggingface-torch. Use `--source-format` to override.
+[2023-12-17 15:18:57] INFO auto_config.py:155: Found model type: mistral. Use `--model-type` to override.
+[2023-12-17 15:18:57] INFO mistral_model.py:45: context_window_size not found in config.json. Falling back to max_position_embeddings (32768)
+[2023-12-17 15:18:57] INFO mistral_model.py:76: Using sliding window attention, setting context_window_size to -1
+Weight conversion with arguments:
+  --config          /ssd1/cfruan/models/Mistral-7B-Instruct-v0.2/config.json
+  --quantization    GroupQuantize(name='q4f16_1', kind='group-quant', group_size=32, quantize_dtype='int4', storage_dtype='uint32', model_dtype='float16', num_elem_per_storage=8, num_storage_per_group=4, max_int_value=7)
+  --model-type      mistral
+  --device          cuda:0
+  --source          /ssd1/cfruan/models/Mistral-7B-Instruct-v0.2/pytorch_model.bin.index.json
+  --source-format   huggingface-torch
+  --output          /tmp/tmpi74nzvb4
+
  0%|                                                                                                                                                          | 0/195 [00:00<?, ?it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:02] INFO huggingface_loader.py:169: Loading HF parameters from: /ssd1/cfruan/models/Mistral-7B-Instruct-v0.2/pytorch_model-00003-of-00003.bin
+
  0%|                                                                                                                                                          | 0/195 [00:00<?, ?it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:05] INFO group_quantization.py:199: Compiling quantize function for key: (32000, 4096, 'float16', 'cuda')
+
  0%|                                                                                                                                                          | 0/195 [00:03<?, ?it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:06] INFO huggingface_loader.py:121: [Quantized] Parameter: "lm_head.q_weight", shape: (32000, 512), dtype: uint32
+
  0%|                                                                                                                                                          | 0/195 [00:04<?, ?it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:06] INFO huggingface_loader.py:121: [Quantized] Parameter: "lm_head.q_scale", shape: (32000, 128), dtype: float16
+
  0%|                                                                                                                                                          | 0/195 [00:04<?, ?it/s]
  1%|▋                                                                                                                                                 | 1/195 [00:04<14:28,  4.48s/it]
                                                                                                                                                                                       
[2023-12-17 15:19:06] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.22.input_layernorm.weight", shape: (4096,), dtype: float16
+
  1%|▋                                                                                                                                                 | 1/195 [00:04<14:28,  4.48s/it]
                                                                                                                                                                                       
[2023-12-17 15:19:07] INFO group_quantization.py:199: Compiling quantize function for key: (4096, 14336, 'float16', 'cuda')
+
  1%|▋                                                                                                                                                 | 1/195 [00:04<14:28,  4.48s/it]
                                                                                                                                                                                       
[2023-12-17 15:19:07] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.22.mlp.down_proj.q_weight", shape: (4096, 1792), dtype: uint32
+
  1%|▋                                                                                                                                                 | 1/195 [00:05<14:28,  4.48s/it]
                                                                                                                                                                                       
[2023-12-17 15:19:07] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.22.mlp.down_proj.q_scale", shape: (4096, 448), dtype: float16
+
  1%|▋                                                                                                                                                 | 1/195 [00:05<14:28,  4.48s/it]
  2%|██▏                                                                                                                                               | 3/195 [00:05<04:23,  1.37s/it]
                                                                                                                                                                                       
[2023-12-17 15:19:07] INFO group_quantization.py:199: Compiling quantize function for key: (28672, 4096, 'float16', 'cuda')
+
  2%|██▏                                                                                                                                               | 3/195 [00:05<04:23,  1.37s/it]
                                                                                                                                                                                       
[2023-12-17 15:19:08] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.22.mlp.gate_up_proj.q_weight", shape: (28672, 512), dtype: uint32
+
  2%|██▏                                                                                                                                               | 3/195 [00:05<04:23,  1.37s/it]
                                                                                                                                                                                       
[2023-12-17 15:19:08] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.22.mlp.gate_up_proj.q_scale", shape: (28672, 128), dtype: float16
+
  2%|██▏                                                                                                                                               | 3/195 [00:05<04:23,  1.37s/it]
  2%|██▉                                                                                                                                               | 4/195 [00:05<03:44,  1.18s/it]
                                                                                                                                                                                       
[2023-12-17 15:19:08] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.22.post_attention_layernorm.weight", shape: (4096,), dtype: float16
+
  2%|██▉                                                                                                                                               | 4/195 [00:05<03:44,  1.18s/it]
                                                                                                                                                                                       
[2023-12-17 15:19:08] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.23.input_layernorm.weight", shape: (4096,), dtype: float16
+
  2%|██▉                                                                                                                                               | 4/195 [00:05<03:44,  1.18s/it]
                                                                                                                                                                                       
[2023-12-17 15:19:08] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.23.mlp.down_proj.q_weight", shape: (4096, 1792), dtype: uint32
+
  2%|██▉                                                                                                                                               | 4/195 [00:06<03:44,  1.18s/it]
                                                                                                                                                                                       
[2023-12-17 15:19:08] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.23.mlp.down_proj.q_scale", shape: (4096, 448), dtype: float16
+
  2%|██▉                                                                                                                                               | 4/195 [00:06<03:44,  1.18s/it]
  4%|█████▏                                                                                                                                            | 7/195 [00:06<01:36,  1.95it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:08] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.23.mlp.gate_up_proj.q_weight", shape: (28672, 512), dtype: uint32
+
  4%|█████▏                                                                                                                                            | 7/195 [00:06<01:36,  1.95it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:08] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.23.mlp.gate_up_proj.q_scale", shape: (28672, 128), dtype: float16
+
  4%|█████▏                                                                                                                                            | 7/195 [00:06<01:36,  1.95it/s]
  4%|█████▉                                                                                                                                            | 8/195 [00:06<01:33,  2.01it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:08] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.23.post_attention_layernorm.weight", shape: (4096,), dtype: float16
+
  4%|█████▉                                                                                                                                            | 8/195 [00:06<01:33,  2.01it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:08] INFO group_quantization.py:199: Compiling quantize function for key: (6144, 4096, 'float16', 'cuda')
+
  4%|█████▉                                                                                                                                            | 8/195 [00:06<01:33,  2.01it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:09] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.23.self_attn.qkv_proj.q_weight", shape: (6144, 512), dtype: uint32
+
  4%|█████▉                                                                                                                                            | 8/195 [00:07<01:33,  2.01it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:09] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.23.self_attn.qkv_proj.q_scale", shape: (6144, 128), dtype: float16
+
  4%|█████▉                                                                                                                                            | 8/195 [00:07<01:33,  2.01it/s]
  5%|███████▍                                                                                                                                         | 10/195 [00:07<01:15,  2.44it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:09] INFO group_quantization.py:199: Compiling quantize function for key: (4096, 4096, 'float16', 'cuda')
+
  5%|███████▍                                                                                                                                         | 10/195 [00:07<01:15,  2.44it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:09] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.23.self_attn.o_proj.q_weight", shape: (4096, 512), dtype: uint32
+
  5%|███████▍                                                                                                                                         | 10/195 [00:07<01:15,  2.44it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:09] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.23.self_attn.o_proj.q_scale", shape: (4096, 128), dtype: float16
+
  5%|███████▍                                                                                                                                         | 10/195 [00:07<01:15,  2.44it/s]
  6%|████████▏                                                                                                                                        | 11/195 [00:07<01:16,  2.42it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:09] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.24.input_layernorm.weight", shape: (4096,), dtype: float16
+
  6%|████████▏                                                                                                                                        | 11/195 [00:07<01:16,  2.42it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:10] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.24.mlp.down_proj.q_weight", shape: (4096, 1792), dtype: uint32
+
  6%|████████▏                                                                                                                                        | 11/195 [00:07<01:16,  2.42it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:10] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.24.mlp.down_proj.q_scale", shape: (4096, 448), dtype: float16
+
  6%|████████▏                                                                                                                                        | 11/195 [00:07<01:16,  2.42it/s]
  7%|█████████▋                                                                                                                                       | 13/195 [00:07<00:53,  3.41it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:10] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.24.mlp.gate_up_proj.q_weight", shape: (28672, 512), dtype: uint32
+
  7%|█████████▋                                                                                                                                       | 13/195 [00:08<00:53,  3.41it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:10] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.24.mlp.gate_up_proj.q_scale", shape: (28672, 128), dtype: float16
+
  7%|█████████▋                                                                                                                                       | 13/195 [00:08<00:53,  3.41it/s]
  7%|██████████▍                                                                                                                                      | 14/195 [00:08<00:58,  3.07it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:10] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.24.post_attention_layernorm.weight", shape: (4096,), dtype: float16
+
  7%|██████████▍                                                                                                                                      | 14/195 [00:08<00:58,  3.07it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:10] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.24.self_attn.qkv_proj.q_weight", shape: (6144, 512), dtype: uint32
+
  7%|██████████▍                                                                                                                                      | 14/195 [00:08<00:58,  3.07it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:10] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.24.self_attn.qkv_proj.q_scale", shape: (6144, 128), dtype: float16
+
  7%|██████████▍                                                                                                                                      | 14/195 [00:08<00:58,  3.07it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:10] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.24.self_attn.o_proj.q_weight", shape: (4096, 512), dtype: uint32
+
  7%|██████████▍                                                                                                                                      | 14/195 [00:08<00:58,  3.07it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:10] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.24.self_attn.o_proj.q_scale", shape: (4096, 128), dtype: float16
+
  7%|██████████▍                                                                                                                                      | 14/195 [00:08<00:58,  3.07it/s]
  9%|████████████▋                                                                                                                                    | 17/195 [00:08<00:34,  5.14it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:10] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.25.input_layernorm.weight", shape: (4096,), dtype: float16
+
  9%|████████████▋                                                                                                                                    | 17/195 [00:08<00:34,  5.14it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:10] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.25.mlp.down_proj.q_weight", shape: (4096, 1792), dtype: uint32
+
  9%|████████████▋                                                                                                                                    | 17/195 [00:08<00:34,  5.14it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:10] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.25.mlp.down_proj.q_scale", shape: (4096, 448), dtype: float16
+
  9%|████████████▋                                                                                                                                    | 17/195 [00:08<00:34,  5.14it/s]
 10%|██████████████▏                                                                                                                                  | 19/195 [00:08<00:28,  6.08it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:11] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.25.mlp.gate_up_proj.q_weight", shape: (28672, 512), dtype: uint32
+
 10%|██████████████▏                                                                                                                                  | 19/195 [00:08<00:28,  6.08it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:11] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.25.mlp.gate_up_proj.q_scale", shape: (28672, 128), dtype: float16
+
 10%|██████████████▏                                                                                                                                  | 19/195 [00:08<00:28,  6.08it/s]
 10%|██████████████▊                                                                                                                                  | 20/195 [00:08<00:37,  4.62it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:11] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.25.post_attention_layernorm.weight", shape: (4096,), dtype: float16
+
 10%|██████████████▊                                                                                                                                  | 20/195 [00:08<00:37,  4.62it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:11] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.25.self_attn.qkv_proj.q_weight", shape: (6144, 512), dtype: uint32
+
 10%|██████████████▊                                                                                                                                  | 20/195 [00:08<00:37,  4.62it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:11] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.25.self_attn.qkv_proj.q_scale", shape: (6144, 128), dtype: float16
+
 10%|██████████████▊                                                                                                                                  | 20/195 [00:09<00:37,  4.62it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:11] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.25.self_attn.o_proj.q_weight", shape: (4096, 512), dtype: uint32
+
 10%|██████████████▊                                                                                                                                  | 20/195 [00:09<00:37,  4.62it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:11] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.25.self_attn.o_proj.q_scale", shape: (4096, 128), dtype: float16
+
 10%|██████████████▊                                                                                                                                  | 20/195 [00:09<00:37,  4.62it/s]
 12%|█████████████████                                                                                                                                | 23/195 [00:09<00:24,  6.93it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:11] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.26.input_layernorm.weight", shape: (4096,), dtype: float16
+
 12%|█████████████████                                                                                                                                | 23/195 [00:09<00:24,  6.93it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:11] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.26.mlp.down_proj.q_weight", shape: (4096, 1792), dtype: uint32
+
 12%|█████████████████                                                                                                                                | 23/195 [00:09<00:24,  6.93it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:11] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.26.mlp.down_proj.q_scale", shape: (4096, 448), dtype: float16
+
 12%|█████████████████                                                                                                                                | 23/195 [00:09<00:24,  6.93it/s]
 13%|██████████████████▌                                                                                                                              | 25/195 [00:09<00:22,  7.62it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:12] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.26.mlp.gate_up_proj.q_weight", shape: (28672, 512), dtype: uint32
+
 13%|██████████████████▌                                                                                                                              | 25/195 [00:09<00:22,  7.62it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:12] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.26.mlp.gate_up_proj.q_scale", shape: (28672, 128), dtype: float16
+
 13%|██████████████████▌                                                                                                                              | 25/195 [00:09<00:22,  7.62it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:12] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.26.post_attention_layernorm.weight", shape: (4096,), dtype: float16
+
 13%|████████████���█████▌                                                                                                                              | 25/195 [00:09<00:22,  7.62it/s]
 14%|████████████████████                                                                                                                             | 27/195 [00:09<00:26,  6.26it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:12] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.26.self_attn.qkv_proj.q_weight", shape: (6144, 512), dtype: uint32
+
 14%|████████████████████                                                                                                                             | 27/195 [00:09<00:26,  6.26it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:12] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.26.self_attn.qkv_proj.q_scale", shape: (6144, 128), dtype: float16
+
 14%|████████████████████                                                                                                                             | 27/195 [00:09<00:26,  6.26it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:12] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.26.self_attn.o_proj.q_weight", shape: (4096, 512), dtype: uint32
+
 14%|████████████████████                                                                                                                             | 27/195 [00:09<00:26,  6.26it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:12] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.26.self_attn.o_proj.q_scale", shape: (4096, 128), dtype: float16
+
 14%|████████████████████                                                                                                                             | 27/195 [00:09<00:26,  6.26it/s]
 15%|█████████████████████▌                                                                                                                           | 29/195 [00:09<00:22,  7.37it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:12] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.27.input_layernorm.weight", shape: (4096,), dtype: float16
+
 15%|█████████████████████▌                                                                                                                           | 29/195 [00:09<00:22,  7.37it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:12] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.27.mlp.down_proj.q_weight", shape: (4096, 1792), dtype: uint32
+
 15%|█████████████████████▌                                                                                                                           | 29/195 [00:10<00:22,  7.37it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:12] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.27.mlp.down_proj.q_scale", shape: (4096, 448), dtype: float16
+
 15%|█████████████████████▌                                                                                                                           | 29/195 [00:10<00:22,  7.37it/s]
 16%|███████████████████████                                                                                                                          | 31/195 [00:10<00:20,  8.02it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:12] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.27.mlp.gate_up_proj.q_weight", shape: (28672, 512), dtype: uint32
+
 16%|███████████████████████                                                                                                                          | 31/195 [00:10<00:20,  8.02it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:12] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.27.mlp.gate_up_proj.q_scale", shape: (28672, 128), dtype: float16
+
 16%|███████████████████████                                                                                                                          | 31/195 [00:10<00:20,  8.02it/s]
 16%|███████████████████████▊                                                                                                                         | 32/195 [00:10<00:29,  5.51it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:12] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.27.post_attention_layernorm.weight", shape: (4096,), dtype: float16
+
 16%|███████████████████████▊                                                                                                                         | 32/195 [00:10<00:29,  5.51it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:13] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.27.self_attn.qkv_proj.q_weight", shape: (6144, 512), dtype: uint32
+
 16%|███████████████████████▊                                                                                                                         | 32/195 [00:10<00:29,  5.51it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:13] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.27.self_attn.qkv_proj.q_scale", shape: (6144, 128), dtype: float16
+
 16%|███████████████████████▊                                                                                                                         | 32/195 [00:10<00:29,  5.51it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:13] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.27.self_attn.o_proj.q_weight", shape: (4096, 512), dtype: uint32
+
 16%|███████████████████████▊                                                                                                                         | 32/195 [00:10<00:29,  5.51it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:13] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.27.self_attn.o_proj.q_scale", shape: (4096, 128), dtype: float16
+
 16%|███████████████████████▊                                                                                                                         | 32/195 [00:10<00:29,  5.51it/s]
 18%|██████████████████████████                                                                                                                       | 35/195 [00:10<00:20,  7.94it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:13] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.28.input_layernorm.weight", shape: (4096,), dtype: float16
+
 18%|██████████████████████████                                                                                                                       | 35/195 [00:10<00:20,  7.94it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:13] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.28.mlp.down_proj.q_weight", shape: (4096, 1792), dtype: uint32
+
 18%|██████████████████████████                                                                                                                       | 35/195 [00:10<00:20,  7.94it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:13] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.28.mlp.down_proj.q_scale", shape: (4096, 448), dtype: float16
+
 18%|██████████████████████████                                                                                                                       | 35/195 [00:10<00:20,  7.94it/s]
 19%|███████████████████████████▌                                                                                                                     | 37/195 [00:10<00:18,  8.46it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:13] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.28.mlp.gate_up_proj.q_weight", shape: (28672, 512), dtype: uint32
+
 19%|███████████████████████████▌                                                                                                                     | 37/195 [00:11<00:18,  8.46it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:13] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.28.mlp.gate_up_proj.q_scale", shape: (28672, 128), dtype: float16
+
 19%|███████████████████████████▌                                                                                                                     | 37/195 [00:11<00:18,  8.46it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:13] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.28.post_attention_layernorm.weight", shape: (4096,), dtype: float16
+
 19%|███████████████████████████▌                                                                                                                     | 37/195 [00:11<00:18,  8.46it/s]
 20%|█████████████████████████████                                                                                                                    | 39/195 [00:11<00:23,  6.67it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:13] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.28.self_attn.qkv_proj.q_weight", shape: (6144, 512), dtype: uint32
+
 20%|█████████████████████████████                                                                                                                    | 39/195 [00:11<00:23,  6.67it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:13] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.28.self_attn.qkv_proj.q_scale", shape: (6144, 128), dtype: float16
+
 20%|█████████████████████████████                                                                                                                    | 39/195 [00:11<00:23,  6.67it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:13] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.28.self_attn.o_proj.q_weight", shape: (4096, 512), dtype: uint32
+
 20%|█████████████████████████████                                                                                                                    | 39/195 [00:11<00:23,  6.67it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:13] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.28.self_attn.o_proj.q_scale", shape: (4096, 128), dtype: float16
+
 20%|█████████████████████████████                                                                                                                    | 39/195 [00:11<00:23,  6.67it/s]
 21%|██████████████████████████████▍                                                                                                                  | 41/195 [00:11<00:19,  7.76it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:13] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.29.input_layernorm.weight", shape: (4096,), dtype: float16
+
 21%|██████████████████████████████▍                                                                                                                  | 41/195 [00:11<00:19,  7.76it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:14] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.29.mlp.down_proj.q_weight", shape: (4096, 1792), dtype: uint32
+
 21%|██████████████████████████████▍                                                                                                                  | 41/195 [00:11<00:19,  7.76it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:14] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.29.mlp.down_proj.q_scale", shape: (4096, 448), dtype: float16
+
 21%|██████████████████████████████▍                                                                                                                  | 41/195 [00:11<00:19,  7.76it/s]
 22%|███████████████████████████████▉                                                                                                                 | 43/195 [00:11<00:18,  8.33it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:14] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.29.mlp.gate_up_proj.q_weight", shape: (28672, 512), dtype: uint32
+
 22%|███████████████████████████████▉                                                                                                                 | 43/195 [00:12<00:18,  8.33it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:14] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.29.mlp.gate_up_proj.q_scale", shape: (28672, 128), dtype: float16
+
 22%|███████████████████████████████▉                                                                                                                 | 43/195 [00:12<00:18,  8.33it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:14] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.29.post_attention_layernorm.weight", shape: (4096,), dtype: float16
+
 22%|███████████████████████████████▉                                                                                                                 | 43/195 [00:12<00:18,  8.33it/s]
 23%|█████████████████████████████████▍                                                                                                               | 45/195 [00:12<00:22,  6.63it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:14] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.29.self_attn.qkv_proj.q_weight", shape: (6144, 512), dtype: uint32
+
 23%|█████████████████████████████████▍                                                                                                               | 45/195 [00:12<00:22,  6.63it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:14] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.29.self_attn.qkv_proj.q_scale", shape: (6144, 128), dtype: float16
+
 23%|█████████████████████████████████▍                                                                                                               | 45/195 [00:12<00:22,  6.63it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:14] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.29.self_attn.o_proj.q_weight", shape: (4096, 512), dtype: uint32
+
 23%|█████████████████████████████████▍                                                                                                               | 45/195 [00:12<00:22,  6.63it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:14] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.29.self_attn.o_proj.q_scale", shape: (4096, 128), dtype: float16
+
 23%|█████████████████████████████████▍                                                                                                               | 45/195 [00:12<00:22,  6.63it/s]
 24%|██████████████████████████████████▉                                                                                                              | 47/195 [00:12<00:19,  7.76it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:14] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.30.input_layernorm.weight", shape: (4096,), dtype: float16
+
 24%|██████████████████████████████████▉                                                                                                              | 47/195 [00:12<00:19,  7.76it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:14] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.30.mlp.down_proj.q_weight", shape: (4096, 1792), dtype: uint32
+
 24%|██████████████████████████████████▉                                                                                                              | 47/195 [00:12<00:19,  7.76it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:14] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.30.mlp.down_proj.q_scale", shape: (4096, 448), dtype: float16
+
 24%|██████████████████████████████████▉                                                                                                              | 47/195 [00:12<00:19,  7.76it/s]
 25%|████████████████████████████████████▍                                                                                                            | 49/195 [00:12<00:17,  8.36it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:15] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.30.mlp.gate_up_proj.q_weight", shape: (28672, 512), dtype: uint32
+
 25%|████████████████████████████████████▍                                                                                                            | 49/195 [00:12<00:17,  8.36it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:15] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.30.mlp.gate_up_proj.q_scale", shape: (28672, 128), dtype: float16
+
 25%|████████████████████████████████████▍                                                                                                            | 49/195 [00:12<00:17,  8.36it/s]
 26%|█████████████████████████████████████▏                                                                                                           | 50/195 [00:12<00:25,  5.66it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:15] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.30.post_attention_layernorm.weight", shape: (4096,), dtype: float16
+
 26%|█████████████████████████████████████▏                                                                                                           | 50/195 [00:12<00:25,  5.66it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:15] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.30.self_attn.qkv_proj.q_weight", shape: (6144, 512), dtype: uint32
+
 26%|█████████████████████████████████████▏                                                                                                           | 50/195 [00:13<00:25,  5.66it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:15] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.30.self_attn.qkv_proj.q_scale", shape: (6144, 128), dtype: float16
+
 26%|█████████████████████████████████████▏                                                                                                           | 50/195 [00:13<00:25,  5.66it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:15] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.30.self_attn.o_proj.q_weight", shape: (4096, 512), dtype: uint32
+
 26%|█████████████████████████████████████▏                                                                                                           | 50/195 [00:13<00:25,  5.66it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:15] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.30.self_attn.o_proj.q_scale", shape: (4096, 128), dtype: float16
+
 26%|█████████████████████████████████████▏                                                                                                           | 50/195 [00:13<00:25,  5.66it/s]
 27%|███████████████████████████████████████▍                                                                                                         | 53/195 [00:13<00:17,  8.14it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:15] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.31.input_layernorm.weight", shape: (4096,), dtype: float16
+
 27%|███████████████████████████████████████▍                                                                                                         | 53/195 [00:13<00:17,  8.14it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:15] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.31.mlp.down_proj.q_weight", shape: (4096, 1792), dtype: uint32
+
 27%|███████████████████████████████████████▍                                                                                                         | 53/195 [00:13<00:17,  8.14it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:15] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.31.mlp.down_proj.q_scale", shape: (4096, 448), dtype: float16
+
 27%|███████████████████████████████████████▍                                                                                                         | 53/195 [00:13<00:17,  8.14it/s]
 28%|████████████████████████████████████████▉                                                                                                        | 55/195 [00:13<00:16,  8.64it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:16] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.31.mlp.gate_up_proj.q_weight", shape: (28672, 512), dtype: uint32
+
 28%|████████████████████████████████████████▉                                                                                                        | 55/195 [00:13<00:16,  8.64it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:16] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.31.mlp.gate_up_proj.q_scale", shape: (28672, 128), dtype: float16
+
 28%|████████████████████████████████████████▉                                                                                                        | 55/195 [00:13<00:16,  8.64it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:16] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.31.post_attention_layernorm.weight", shape: (4096,), dtype: float16
+
 28%|████████████████████████████████████████▉                                                                                                        | 55/195 [00:13<00:16,  8.64it/s]
 29%|██████████████████████████████████████████▍                                                                                                      | 57/195 [00:13<00:20,  6.79it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:16] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.31.self_attn.qkv_proj.q_weight", shape: (6144, 512), dtype: uint32
+
 29%|██████████████████████████████████████████▍                                                                                                      | 57/195 [00:13<00:20,  6.79it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:16] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.31.self_attn.qkv_proj.q_scale", shape: (6144, 128), dtype: float16
+
 29%|██████████████████████████████████████████▍                                                                                                      | 57/195 [00:13<00:20,  6.79it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:16] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.31.self_attn.o_proj.q_weight", shape: (4096, 512), dtype: uint32
+
 29%|██████████████████████████████████████████▍                                                                                                      | 57/195 [00:13<00:20,  6.79it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:16] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.31.self_attn.o_proj.q_scale", shape: (4096, 128), dtype: float16
+
 29%|██████████████████████████████████████████▍                                                                                                      | 57/195 [00:13<00:20,  6.79it/s]
 30%|███████████████████████████████████████████▊                                                                                                     | 59/195 [00:13<00:17,  7.90it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:16] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.norm.weight", shape: (4096,), dtype: float16
+
 30%|███████████████████████████████████████████▊                                                                                                     | 59/195 [00:13<00:17,  7.90it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:16] INFO huggingface_loader.py:179: Unloading HF weight file: /ssd1/cfruan/models/Mistral-7B-Instruct-v0.2/pytorch_model-00003-of-00003.bin
+
 30%|███████████████████████████████████████████▊                                                                                                     | 59/195 [00:13<00:17,  7.90it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:16] INFO huggingface_loader.py:169: Loading HF parameters from: /ssd1/cfruan/models/Mistral-7B-Instruct-v0.2/pytorch_model-00001-of-00003.bin
+
 30%|███████████████████████████████████████████▊                                                                                                     | 59/195 [00:14<00:17,  7.90it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:18] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.embed_tokens.q_weight", shape: (32000, 512), dtype: uint32
+
 30%|███████████████████████████████████████████▊                                                                                                     | 59/195 [00:16<00:17,  7.90it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:18] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.embed_tokens.q_scale", shape: (32000, 128), dtype: float16
+
 30%|███████████████████████████████████████████▊                                                                                                     | 59/195 [00:16<00:17,  7.90it/s]
 31%|█████████████████████████████████████████████▎                                                                                                   | 61/195 [00:16<01:05,  2.03it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:18] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.0.input_layernorm.weight", shape: (4096,), dtype: float16
+
 31%|█████████████████████████████████████████████▎                                                                                                   | 61/195 [00:16<01:05,  2.03it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:19] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.0.mlp.down_proj.q_weight", shape: (4096, 1792), dtype: uint32
+
 31%|█████████████████████████████████████████████▎                                                                                                   | 61/195 [00:16<01:05,  2.03it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:19] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.0.mlp.down_proj.q_scale", shape: (4096, 448), dtype: float16
+
 31%|█████████████████████████████████████████████▎                                                                                                   | 61/195 [00:16<01:05,  2.03it/s]
 32%|██████████████████████████████████████████████▊                                                                                                  | 63/195 [00:16<00:49,  2.68it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:19] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.0.mlp.gate_up_proj.q_weight", shape: (28672, 512), dtype: uint32
+
 32%|██████████████████████████████████████████████▊                                                                                                  | 63/195 [00:17<00:49,  2.68it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:19] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.0.mlp.gate_up_proj.q_scale", shape: (28672, 128), dtype: float16
+
 32%|██████████████████████████████████████████████▊                                                                                                  | 63/195 [00:17<00:49,  2.68it/s]
 33%|███████████████████████████████████████████████▌                                                                                                 | 64/195 [00:17<00:50,  2.61it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:19] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.0.post_attention_layernorm.weight", shape: (4096,), dtype: float16
+
 33%|███████████████████████████████████████████████▌                                                                                                 | 64/195 [00:17<00:50,  2.61it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:19] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.0.self_attn.qkv_proj.q_weight", shape: (6144, 512), dtype: uint32
+
 33%|███████████████████████████████████████████████▌                                                                                                 | 64/195 [00:17<00:50,  2.61it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:19] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.0.self_attn.qkv_proj.q_scale", shape: (6144, 128), dtype: float16
+
 33%|███████████████████████████████████████████████▌                                                                                                 | 64/195 [00:17<00:50,  2.61it/s]
 34%|█████████████████████████████████████████████████                                                                                                | 66/195 [00:17<00:38,  3.34it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:19] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.0.self_attn.o_proj.q_weight", shape: (4096, 512), dtype: uint32
+
 34%|█████████████████████████████████████████████████                                                                                                | 66/195 [00:17<00:38,  3.34it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:19] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.0.self_attn.o_proj.q_scale", shape: (4096, 128), dtype: float16
+
 34%|█████████████████████████████████████████████████                                                                                                | 66/195 [00:17<00:38,  3.34it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:19] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.1.input_layernorm.weight", shape: (4096,), dtype: float16
+
 34%|█████████████████████████████████████████████████                                                                                                | 66/195 [00:17<00:38,  3.34it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:20] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.1.mlp.down_proj.q_weight", shape: (4096, 1792), dtype: uint32
+
 34%|█████████████████████████████████████████████████                                                                                                | 66/195 [00:17<00:38,  3.34it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:20] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.1.mlp.down_proj.q_scale", shape: (4096, 448), dtype: float16
+
 34%|█████████████████████████████████████████████████                                                                                                | 66/195 [00:17<00:38,  3.34it/s]
 35%|███████████████████████████████████████████████████▎                                                                                             | 69/195 [00:17<00:26,  4.77it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:20] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.1.mlp.gate_up_proj.q_weight", shape: (28672, 512), dtype: uint32
+
 35%|███████████████████████████████████████████████████▎                                                                                             | 69/195 [00:18<00:26,  4.77it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:20] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.1.mlp.gate_up_proj.q_scale", shape: (28672, 128), dtype: float16
+
 35%|███████████████████████████████████████████████████▎                                                                                             | 69/195 [00:18<00:26,  4.77it/s]
 36%|████████████████████████████████████████████████████                                                                                             | 70/195 [00:18<00:31,  4.02it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:20] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.1.post_attention_layernorm.weight", shape: (4096,), dtype: float16
+
 36%|████████████████████████████████████████████████████                                                                                             | 70/195 [00:18<00:31,  4.02it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:20] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.1.self_attn.qkv_proj.q_weight", shape: (6144, 512), dtype: uint32
+
 36%|████████████████████████████████████████████████████                                                                                             | 70/195 [00:18<00:31,  4.02it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:20] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.1.self_attn.qkv_proj.q_scale", shape: (6144, 128), dtype: float16
+
 36%|████████████████████████████████████████████████████                                                                                             | 70/195 [00:18<00:31,  4.02it/s]
 37%|█████████████████████████████████████████████████████▌                                                                                           | 72/195 [00:18<00:25,  4.79it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:20] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.1.self_attn.o_proj.q_weight", shape: (4096, 512), dtype: uint32
+
 37%|█████████████████████████████████████████████████████▌                                                                                           | 72/195 [00:18<00:25,  4.79it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:20] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.1.self_attn.o_proj.q_scale", shape: (4096, 128), dtype: float16
+
 37%|█████████████████████████████████████████████████████▌                                                                                           | 72/195 [00:18<00:25,  4.79it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:21] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.10.mlp.gate_up_proj.q_weight", shape: (28672, 512), dtype: uint32
+
 37%|█████████████████████████████████████████████████████▌                                                                                           | 72/195 [00:18<00:25,  4.79it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:21] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.10.mlp.gate_up_proj.q_scale", shape: (28672, 128), dtype: float16
+
 37%|█████████████████████████████████████████████████████▌                                                                                           | 72/195 [00:18<00:25,  4.79it/s]
 38%|███████████████████████████████████████████████████████                                                                                          | 74/195 [00:18<00:26,  4.49it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:21] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.10.self_attn.qkv_proj.q_weight", shape: (6144, 512), dtype: uint32
+
 38%|█████████���█████████████████████████████████████████████                                                                                          | 74/195 [00:19<00:26,  4.49it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:21] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.10.self_attn.qkv_proj.q_scale", shape: (6144, 128), dtype: float16
+
 38%|███████████████████████████████████████████████████████                                                                                          | 74/195 [00:19<00:26,  4.49it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:21] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.10.self_attn.o_proj.q_weight", shape: (4096, 512), dtype: uint32
+
 38%|███████████████████████████████████████████████████████                                                                                          | 74/195 [00:19<00:26,  4.49it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:21] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.10.self_attn.o_proj.q_scale", shape: (4096, 128), dtype: float16
+
 38%|███████████████████████████████████████████████████████                                                                                          | 74/195 [00:19<00:26,  4.49it/s]
 39%|████████████████████████████████████████████████████████▌                                                                                        | 76/195 [00:19<00:21,  5.63it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:21] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.2.input_layernorm.weight", shape: (4096,), dtype: float16
+
 39%|████████████████████████████████████████████████████████▌                                                                                        | 76/195 [00:19<00:21,  5.63it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:21] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.2.mlp.down_proj.q_weight", shape: (4096, 1792), dtype: uint32
+
 39%|████████████████████████████████████████████████████████▌                                                                                        | 76/195 [00:19<00:21,  5.63it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:21] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.2.mlp.down_proj.q_scale", shape: (4096, 448), dtype: float16
+
 39%|████████████████████████████████████████████████████████▌                                                                                        | 76/195 [00:19<00:21,  5.63it/s]
 40%|██████████████████████████████████████████████████████████                                                                                       | 78/195 [00:19<00:17,  6.52it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:22] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.2.mlp.gate_up_proj.q_weight", shape: (28672, 512), dtype: uint32
+
 40%|████████████��█████████████████████████████████████████████                                                                                       | 78/195 [00:19<00:17,  6.52it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:22] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.2.mlp.gate_up_proj.q_scale", shape: (28672, 128), dtype: float16
+
 40%|██████████████████████████████████████████████████████████                                                                                       | 78/195 [00:19<00:17,  6.52it/s]
 41%|██████████████████████████████████████████████████████████▋                                                                                      | 79/195 [00:19<00:23,  4.87it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:22] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.2.post_attention_layernorm.weight", shape: (4096,), dtype: float16
+
 41%|██████████████████████████████████████████████████████████▋                                                                                      | 79/195 [00:19<00:23,  4.87it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:22] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.2.self_attn.qkv_proj.q_weight", shape: (6144, 512), dtype: uint32
+
 41%|██████████████████████████████████████████████████████████▋                                                                                      | 79/195 [00:19<00:23,  4.87it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:22] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.2.self_attn.qkv_proj.q_scale", shape: (6144, 128), dtype: float16
+
 41%|██████████████████████████████████████████████████████████▋                                                                                      | 79/195 [00:19<00:23,  4.87it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:22] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.2.self_attn.o_proj.q_weight", shape: (4096, 512), dtype: uint32
+
 41%|██████████████████████████████████████████████████████████▋                                                                                      | 79/195 [00:19<00:23,  4.87it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:22] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.2.self_attn.o_proj.q_scale", shape: (4096, 128), dtype: float16
+
 41%|██████████████████████████████████████████████████████████▋                                                                                      | 79/195 [00:19<00:23,  4.87it/s]
 42%|████████████████████████████████████████████████████████████▉                                                                                    | 82/195 [00:19<00:15,  7.21it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:22] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.3.input_layernorm.weight", shape: (4096,), dtype: float16
+
 42%|████████████████████████████████████████████████████████████▉                                                                                    | 82/195 [00:19<00:15,  7.21it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:22] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.3.mlp.down_proj.q_weight", shape: (4096, 1792), dtype: uint32
+
 42%|████████████████████████████████████████████████████████████▉                                                                                    | 82/195 [00:20<00:15,  7.21it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:22] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.3.mlp.down_proj.q_scale", shape: (4096, 448), dtype: float16
+
 42%|████████████████████████████████████████████████████████████▉                                                                                    | 82/195 [00:20<00:15,  7.21it/s]
 43%|██████████████████████████████████████████████████████████████▍                                                                                  | 84/195 [00:20<00:14,  7.89it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:22] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.3.mlp.gate_up_proj.q_weight", shape: (28672, 512), dtype: uint32
+
 43%|██████████████████████████████████████████████████████████████▍                                                                                  | 84/195 [00:20<00:14,  7.89it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:22] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.3.mlp.gate_up_proj.q_scale", shape: (28672, 128), dtype: float16
+
 43%|██████████████████████████████████████████████████████████████▍                                                                                  | 84/195 [00:20<00:14,  7.89it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:22] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.3.post_attention_layernorm.weight", shape: (4096,), dtype: float16
+
 43%|██████████████████████████████████████████████████████████████▍                                                                                  | 84/195 [00:20<00:14,  7.89it/s]
 44%|███████████████████████████████████████████████████████████████▉                                                                                 | 86/195 [00:20<00:16,  6.46it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:23] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.3.self_attn.qkv_proj.q_weight", shape: (6144, 512), dtype: uint32
+
 44%|███████████████████████████████████████████████████████████████▉                                                                                 | 86/195 [00:20<00:16,  6.46it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:23] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.3.self_attn.qkv_proj.q_scale", shape: (6144, 128), dtype: float16
+
 44%|███████████████████████████████████████████████████████████████▉                                                                                 | 86/195 [00:20<00:16,  6.46it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:23] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.3.self_attn.o_proj.q_weight", shape: (4096, 512), dtype: uint32
+
 44%|███████████████████████████████████████████████████████████████▉                                                                                 | 86/195 [00:20<00:16,  6.46it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:23] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.3.self_attn.o_proj.q_scale", shape: (4096, 128), dtype: float16
+
 44%|███████████████████████████████████████████████████████████████▉                                                                                 | 86/195 [00:20<00:16,  6.46it/s]
 45%|█████████████████████████████████████████████████████████████████▍                                                                               | 88/195 [00:20<00:14,  7.58it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:23] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.4.input_layernorm.weight", shape: (4096,), dtype: float16
+
 45%|█████████████████████████████████████████████████████████████████▍                                                                               | 88/195 [00:20<00:14,  7.58it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:23] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.4.mlp.down_proj.q_weight", shape: (4096, 1792), dtype: uint32
+
 45%|█████████████████████████████████████████████████████████████████▍                                                                               | 88/195 [00:20<00:14,  7.58it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:23] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.4.mlp.down_proj.q_scale", shape: (4096, 448), dtype: float16
+
 45%|█████████████████████████████████████████████████████████████████▍                                                                               | 88/195 [00:20<00:14,  7.58it/s]
 46%|██████████████████████████████████████████████████████████████████▉                                                                              | 90/195 [00:20<00:12,  8.21it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:23] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.4.mlp.gate_up_proj.q_weight", shape: (28672, 512), dtype: uint32
+
 46%|██████████████████████████████████████████████████████████████████▉                                                                              | 90/195 [00:21<00:12,  8.21it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:23] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.4.mlp.gate_up_proj.q_scale", shape: (28672, 128), dtype: float16
+
 46%|██████████████████████████████████████████████████████████████████▉                                                                              | 90/195 [00:21<00:12,  8.21it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:23] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.4.post_attention_layernorm.weight", shape: (4096,), dtype: float16
+
 46%|██████████████████████████████████████████████████████████████████▉                                                                              | 90/195 [00:21<00:12,  8.21it/s]
 47%|████████████████████████████████████████████████████████████████████▍                                                                            | 92/195 [00:21<00:15,  6.60it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:23] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.4.self_attn.qkv_proj.q_weight", shape: (6144, 512), dtype: uint32
+
 47%|████████████████████████████████████████████████████████████████████▍                                                                            | 92/195 [00:21<00:15,  6.60it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:23] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.4.self_attn.qkv_proj.q_scale", shape: (6144, 128), dtype: float16
+
 47%|████████████████████████████████████████████████████████████████████▍                                                                            | 92/195 [00:21<00:15,  6.60it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:23] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.4.self_attn.o_proj.q_weight", shape: (4096, 512), dtype: uint32
+
 47%|████████████████████████████████████████████████████████████████████▍                                                                            | 92/195 [00:21<00:15,  6.60it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:23] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.4.self_attn.o_proj.q_scale", shape: (4096, 128), dtype: float16
+
 47%|████████████████████████████████████████████████████████████████████▍                                                                            | 92/195 [00:21<00:15,  6.60it/s]
 48%|█████████████████████████████████████████████████████████████████████▉                                                                           | 94/195 [00:21<00:13,  7.73it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:23] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.5.input_layernorm.weight", shape: (4096,), dtype: float16
+
 48%|███████████████████████████████████████████████████████��█████████████▉                                                                           | 94/195 [00:21<00:13,  7.73it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:24] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.5.mlp.down_proj.q_weight", shape: (4096, 1792), dtype: uint32
+
 48%|█████████████████████████████████████████████████████████████████████▉                                                                           | 94/195 [00:21<00:13,  7.73it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:24] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.5.mlp.down_proj.q_scale", shape: (4096, 448), dtype: float16
+
 48%|█████████████████████████████████████████████████████████████████████▉                                                                           | 94/195 [00:21<00:13,  7.73it/s]
 49%|███████████████████████████████████████████████████████████████████████▍                                                                         | 96/195 [00:21<00:11,  8.34it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:24] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.5.mlp.gate_up_proj.q_weight", shape: (28672, 512), dtype: uint32
+
 49%|███████████████████████████████████████████████████████████████████████▍                                                                         | 96/195 [00:22<00:11,  8.34it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:24] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.5.mlp.gate_up_proj.q_scale", shape: (28672, 128), dtype: float16
+
 49%|███████████████████████████████████████████████████████████████████████▍                                                                         | 96/195 [00:22<00:11,  8.34it/s]
 50%|████████████████████████████████████████████████████████████████████████▏                                                                        | 97/195 [00:22<00:17,  5.66it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:24] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.5.post_attention_layernorm.weight", shape: (4096,), dtype: float16
+
 50%|████████████████████████████████████████████████████████████████████████▏                                                                        | 97/195 [00:22<00:17,  5.66it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:24] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.5.self_attn.qkv_proj.q_weight", shape: (6144, 512), dtype: uint32
+
 50%|████████████████████████████████████████████████████████████████████████▏                                                                        | 97/195 [00:22<00:17,  5.66it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:24] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.5.self_attn.qkv_proj.q_scale", shape: (6144, 128), dtype: float16
+
 50%|████████████████████████████████████████████████████████████████████████▏                                                                        | 97/195 [00:22<00:17,  5.66it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:24] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.5.self_attn.o_proj.q_weight", shape: (4096, 512), dtype: uint32
+
 50%|████████████████████████████████████████████████████████████████████████▏                                                                        | 97/195 [00:22<00:17,  5.66it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:24] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.5.self_attn.o_proj.q_scale", shape: (4096, 128), dtype: float16
+
 50%|████████████████████████████████████████████████████████████████████████▏                                                                        | 97/195 [00:22<00:17,  5.66it/s]
 51%|█████████████████████████████████████████████████████████████████████████▊                                                                      | 100/195 [00:22<00:11,  8.15it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:24] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.6.input_layernorm.weight", shape: (4096,), dtype: float16
+
 51%|█████████████████████████████████████████████████████████████████████████▊                                                                      | 100/195 [00:22<00:11,  8.15it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:24] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.6.mlp.down_proj.q_weight", shape: (4096, 1792), dtype: uint32
+
 51%|█████████████████████████████████████████████████████████████████████████▊                                                                      | 100/195 [00:22<00:11,  8.15it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:24] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.6.mlp.down_proj.q_scale", shape: (4096, 448), dtype: float16
+
 51%|█████████████████████████████████████████████████████████████████████████▊                                                                      | 100/195 [00:22<00:11,  8.15it/s]
 52%|███████████████████████████████████████████████████████████████████████████▎                                                                    | 102/195 [00:22<00:10,  8.66it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:25] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.6.mlp.gate_up_proj.q_weight", shape: (28672, 512), dtype: uint32
+
 52%|███████████████████████████████████████████████████████████████████████████▎                                                                    | 102/195 [00:22<00:10,  8.66it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:25] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.6.mlp.gate_up_proj.q_scale", shape: (28672, 128), dtype: float16
+
 52%|███████████████████████████████████████████████████████████████████████████▎                                                                    | 102/195 [00:22<00:10,  8.66it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:25] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.6.post_attention_layernorm.weight", shape: (4096,), dtype: float16
+
 52%|███████████████████████████████████████████████████████████████████████████▎                                                                    | 102/195 [00:22<00:10,  8.66it/s]
 53%|████████████████████████████████████████████████████████████████████████████▊                                                                   | 104/195 [00:22<00:13,  6.83it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:25] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.6.self_attn.qkv_proj.q_weight", shape: (6144, 512), dtype: uint32
+
 53%|████████████████████████████████████████████████████████████████████████████▊                                                                   | 104/195 [00:22<00:13,  6.83it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:25] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.6.self_attn.qkv_proj.q_scale", shape: (6144, 128), dtype: float16
+
 53%|████████████████████████████████████████████████████████████████████████████▊                                                                   | 104/195 [00:22<00:13,  6.83it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:25] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.6.self_attn.o_proj.q_weight", shape: (4096, 512), dtype: uint32
+
 53%|████████████████████████████████████████████████████████████████████████████▊                                                                   | 104/195 [00:23<00:13,  6.83it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:25] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.6.self_attn.o_proj.q_scale", shape: (4096, 128), dtype: float16
+
 53%|████████████████████████████████████████████████████████████████████████████▊                                                                   | 104/195 [00:23<00:13,  6.83it/s]
 54%|██████████████████████████████████████████████████████████████████████████████▎                                                                 | 106/195 [00:23<00:11,  7.95it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:25] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.7.input_layernorm.weight", shape: (4096,), dtype: float16
+
 54%|██████████████████████████████████████████████████████████████████████████████▎                                                                 | 106/195 [00:23<00:11,  7.95it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:25] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.7.mlp.down_proj.q_weight", shape: (4096, 1792), dtype: uint32
+
 54%|██████████████████████████████████████████████████████████████████████████████▎                                                                 | 106/195 [00:23<00:11,  7.95it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:25] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.7.mlp.down_proj.q_scale", shape: (4096, 448), dtype: float16
+
 54%|██████████████████████████████████████████████████████████████████████████████▎                                                                 | 106/195 [00:23<00:11,  7.95it/s]
 55%|███████████████████████████████████████████████████████████████████████████████▊                                                                | 108/195 [00:23<00:10,  8.52it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:26] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.7.mlp.gate_up_proj.q_weight", shape: (28672, 512), dtype: uint32
+
 55%|███████████████████████████████████████████████████████████████████████████████▊                                                                | 108/195 [00:23<00:10,  8.52it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:26] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.7.mlp.gate_up_proj.q_scale", shape: (28672, 128), dtype: float16
+
 55%|███████████████████████████████████████████████████████████████████████████████▊                                                                | 108/195 [00:23<00:10,  8.52it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:26] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.7.post_attention_layernorm.weight", shape: (4096,), dtype: float16
+
 55%|███████████████████████████████████████████████████████████████████████████████▊                                                                | 108/195 [00:23<00:10,  8.52it/s]
 56%|█████████████████████████████████████████████████████████████████████████████████▏                                                              | 110/195 [00:23<00:12,  6.71it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:26] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.7.self_attn.qkv_proj.q_weight", shape: (6144, 512), dtype: uint32
+
 56%|█████████████████████████████████████████████████████████████████████████████████▏                                                              | 110/195 [00:23<00:12,  6.71it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:26] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.7.self_attn.qkv_proj.q_scale", shape: (6144, 128), dtype: float16
+
 56%|█████████████████████████████████████████████████████████████████████████████████▏                                                              | 110/195 [00:23<00:12,  6.71it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:26] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.7.self_attn.o_proj.q_weight", shape: (4096, 512), dtype: uint32
+
 56%|█████████████████████████████████████████████████████████████████████████████████▏                                                              | 110/195 [00:23<00:12,  6.71it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:26] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.7.self_attn.o_proj.q_scale", shape: (4096, 128), dtype: float16
+
 56%|█████████████████████████████████████████████████████████████████████████████████▏                                                              | 110/195 [00:23<00:12,  6.71it/s]
 57%|██████████████████████████████████████████████████████████████████████████████████▋                                                             | 112/195 [00:23<00:10,  7.84it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:26] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.8.input_layernorm.weight", shape: (4096,), dtype: float16
+
 57%|██████████████████████████████████████████████████████████████████████████████████▋                                                             | 112/195 [00:23<00:10,  7.84it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:26] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.8.mlp.down_proj.q_weight", shape: (4096, 1792), dtype: uint32
+
 57%|██████████████████████████████████████████████████████████████████████████████████▋                                                             | 112/195 [00:24<00:10,  7.84it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:26] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.8.mlp.down_proj.q_scale", shape: (4096, 448), dtype: float16
+
 57%|██████████████████████████████████████████████████████████████████████████████████▋                                                             | 112/195 [00:24<00:10,  7.84it/s]
 58%|████████████████████████████████████████████████████████████████████████████████████▏                                                           | 114/195 [00:24<00:09,  8.43it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:26] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.8.mlp.gate_up_proj.q_weight", shape: (28672, 512), dtype: uint32
+
 58%|████████████████████████████████████████████████████████████████████████████████████▏                                                           | 114/195 [00:24<00:09,  8.43it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:26] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.8.mlp.gate_up_proj.q_scale", shape: (28672, 128), dtype: float16
+
 58%|████████████████████████████████████████████████████████████████████████████████████▏                                                           | 114/195 [00:24<00:09,  8.43it/s]
 59%|████████████████████████████████████████████████████████████████████████████████████▉                                                           | 115/195 [00:24<00:14,  5.70it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:26] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.8.post_attention_layernorm.weight", shape: (4096,), dtype: float16
+
 59%|████████████████████████████████████████████████████████████████████████████████████▉                                                           | 115/195 [00:24<00:14,  5.70it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:26] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.8.self_attn.qkv_proj.q_weight", shape: (6144, 512), dtype: uint32
+
 59%|████████████████████████████████████████████████████████████████████████████████████▉                                                           | 115/195 [00:24<00:14,  5.70it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:26] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.8.self_attn.qkv_proj.q_scale", shape: (6144, 128), dtype: float16
+
 59%|████████████████████████████████████████████████████████████████████████████████████▉                                                           | 115/195 [00:24<00:14,  5.70it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:27] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.8.self_attn.o_proj.q_weight", shape: (4096, 512), dtype: uint32
+
 59%|████████████████████████████████████████████████████████████████████████████████████▉                                                           | 115/195 [00:24<00:14,  5.70it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:27] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.8.self_attn.o_proj.q_scale", shape: (4096, 128), dtype: float16
+
 59%|██████████████████████████████████████████████████████████████████████████████��█████▉                                                           | 115/195 [00:24<00:14,  5.70it/s]
 61%|███████████████████████████████████████████████████████████████████████████████████████▏                                                        | 118/195 [00:24<00:09,  8.20it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:27] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.9.input_layernorm.weight", shape: (4096,), dtype: float16
+
 61%|███████████████████████████████████████████████████████████████████████████████████████▏                                                        | 118/195 [00:24<00:09,  8.20it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:27] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.9.mlp.down_proj.q_weight", shape: (4096, 1792), dtype: uint32
+
 61%|███████████████████████████████████████████████████████████████████████████████████████▏                                                        | 118/195 [00:24<00:09,  8.20it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:27] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.9.mlp.down_proj.q_scale", shape: (4096, 448), dtype: float16
+
 61%|███████████████████████████████████████████████████████████████████████████████████████▏                                                        | 118/195 [00:24<00:09,  8.20it/s]
 62%|████████████████████████████████████████████████████████████████████████████████████████▌                                                       | 120/195 [00:24<00:08,  8.70it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:27] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.9.mlp.gate_up_proj.q_weight", shape: (28672, 512), dtype: uint32
+
 62%|████████████████████████████████████████████████████████████████████████████████████████▌                                                       | 120/195 [00:25<00:08,  8.70it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:27] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.9.mlp.gate_up_proj.q_scale", shape: (28672, 128), dtype: float16
+
 62%|████████████████████████████████████████████████████████████████████████████████████████▌                                                       | 120/195 [00:25<00:08,  8.70it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:27] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.9.post_attention_layernorm.weight", shape: (4096,), dtype: float16
+
 62%|████████████████████████████████████████████████████████████████████████████████████████▌                                                       | 120/195 [00:25<00:08,  8.70it/s]
 63%|██████████████████████████████████████████████████████████████████████████████████████████                                                      | 122/195 [00:25<00:10,  6.85it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:27] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.9.self_attn.qkv_proj.q_weight", shape: (6144, 512), dtype: uint32
+
 63%|██████████████████████████████████████████████████████████████████████████████████████████                                                      | 122/195 [00:25<00:10,  6.85it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:27] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.9.self_attn.qkv_proj.q_scale", shape: (6144, 128), dtype: float16
+
 63%|██████████████████████████████████████████████████████████████████████████████████████████                                                      | 122/195 [00:25<00:10,  6.85it/s]
 63%|██████████████████████████████████████████████████████████████████████████████████████████▊                                                     | 123/195 [00:25<00:09,  7.21it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:27] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.9.self_attn.o_proj.q_weight", shape: (4096, 512), dtype: uint32
+
 63%|██████████████████████████████████████████████████████████████████████████████████████████▊                                                     | 123/195 [00:25<00:09,  7.21it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:27] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.9.self_attn.o_proj.q_scale", shape: (4096, 128), dtype: float16
+
 63%|██████████████████████████████████████████████████████████████████████████████████████████▊                                                     | 123/195 [00:25<00:09,  7.21it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:27] INFO huggingface_loader.py:179: Unloading HF weight file: /ssd1/cfruan/models/Mistral-7B-Instruct-v0.2/pytorch_model-00001-of-00003.bin
+
 63%|██████████████████████████████████████████████████████████████████████████████████████████▊                                                     | 123/195 [00:25<00:09,  7.21it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:28] INFO huggingface_loader.py:169: Loading HF parameters from: /ssd1/cfruan/models/Mistral-7B-Instruct-v0.2/pytorch_model-00002-of-00003.bin
+
 63%|██████████████████████████████████████████████████████████████████████████████████████████▊                                                     | 123/195 [00:25<00:09,  7.21it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:29] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.10.input_layernorm.weight", shape: (4096,), dtype: float16
+
 63%|██████████████████████████████████████████████████████████████████████████████████████████▊                                                     | 123/195 [00:27<00:09,  7.21it/s]
 64%|████████████████████████████████████████████████████████████████████████████████████████████▎                                                   | 125/195 [00:27<00:32,  2.18it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:30] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.10.mlp.down_proj.q_weight", shape: (4096, 1792), dtype: uint32
+
 64%|████████████████████████████████████████████████████████████████████████████████████████████▎                                                   | 125/195 [00:27<00:32,  2.18it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:30] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.10.mlp.down_proj.q_scale", shape: (4096, 448), dtype: float16
+
 64%|████████████████████████████████████████████████████████████████████████████████████████████▎                                                   | 125/195 [00:27<00:32,  2.18it/s]
 65%|█████████████████████████████████████████████████████████████████████████████████████████████                                                   | 126/195 [00:27<00:28,  2.46it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:30] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.10.post_attention_layernorm.weight", shape: (4096,), dtype: float16
+
 65%|█████████████████████████████████████████████████████████████████████████████████████████████                                                   | 126/195 [00:27<00:28,  2.46it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:30] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.11.input_layernorm.weight", shape: (4096,), dtype: float16
+
 65%|█████████████████████████████████████████████████████████████████████████████████████████████                                                   | 126/195 [00:27<00:28,  2.46it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:30] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.11.mlp.down_proj.q_weight", shape: (4096, 1792), dtype: uint32
+
 65%|█████████████████████████████████████████████████████████████████████████████████████████████                                                   | 126/195 [00:27<00:28,  2.46it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:30] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.11.mlp.down_proj.q_scale", shape: (4096, 448), dtype: float16
+
 65%|█████████████████████████████████████████████████████████████████████████████████████████████                                                   | 126/195 [00:27<00:28,  2.46it/s]
 66%|███████████████████████████████████████████████████████████████████████████████████████████████▎                                                | 129/195 [00:27<00:16,  3.99it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:30] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.11.mlp.gate_up_proj.q_weight", shape: (28672, 512), dtype: uint32
+
 66%|███████████████████████████████████████████████████████████████████████████████████████████████▎                                                | 129/195 [00:28<00:16,  3.99it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:30] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.11.mlp.gate_up_proj.q_scale", shape: (28672, 128), dtype: float16
+
 66%|███████████████████████████████████████████████████████████████████████████████████████████████▎                                                | 129/195 [00:28<00:16,  3.99it/s]
 67%|████████████████████████████████████████████████████████████████████████████████████████████████                                                | 130/195 [00:28<00:18,  3.58it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:30] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.11.post_attention_layernorm.weight", shape: (4096,), dtype: float16
+
 67%|████████████████████████████████████████████████████████████████████████████████████████████████                                                | 130/195 [00:28<00:18,  3.58it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:30] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.11.self_attn.qkv_proj.q_weight", shape: (6144, 512), dtype: uint32
+
 67%|████████████████████████████████████████████████████████████████████████████████████████████████                                                | 130/195 [00:28<00:18,  3.58it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:30] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.11.self_attn.qkv_proj.q_scale", shape: (6144, 128), dtype: float16
+
 67%|████████████████████████████████████████████████████████████████████████████████████████████████                                                | 130/195 [00:28<00:18,  3.58it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:30] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.11.self_attn.o_proj.q_weight", shape: (4096, 512), dtype: uint32
+
 67%|████████████████████████████████████████████████████████████████████████████████████████████████                                                | 130/195 [00:28<00:18,  3.58it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:30] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.11.self_attn.o_proj.q_scale", shape: (4096, 128), dtype: float16
+
 67%|████████████████████████████████████████████████████████████████████████████████████████████████                                                | 130/195 [00:28<00:18,  3.58it/s]
 68%|██████████████████████████████████████████████████████████████████████████████████████████████████▏                                             | 133/195 [00:28<00:11,  5.59it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:30] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.12.input_layernorm.weight", shape: (4096,), dtype: float16
+
 68%|██████████████████████████████████████████████████████████████████████████████████████████████████▏                                             | 133/195 [00:28<00:11,  5.59it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:31] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.12.mlp.down_proj.q_weight", shape: (4096, 1792), dtype: uint32
+
 68%|██████████████████████████████████████████████████████████████████████████████████████████████████▏                                             | 133/195 [00:28<00:11,  5.59it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:31] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.12.mlp.down_proj.q_scale", shape: (4096, 448), dtype: float16
+
 68%|██████████████████████████████████████████████████████████████████████████████████████████████████▏                                             | 133/195 [00:28<00:11,  5.59it/s]
 69%|███████████████████████████████████████████████████████████████████████████████████████████████████▋                                            | 135/195 [00:28<00:09,  6.52it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:31] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.12.mlp.gate_up_proj.q_weight", shape: (28672, 512), dtype: uint32
+
 69%|███████████████████████████████████████████████████████████████████████████████████████████████████▋                                            | 135/195 [00:29<00:09,  6.52it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:31] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.12.mlp.gate_up_proj.q_scale", shape: (28672, 128), dtype: float16
+
 69%|███████████████████████████████████████████████████████████████████████████████████████████████████▋                                            | 135/195 [00:29<00:09,  6.52it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:31] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.12.post_attention_layernorm.weight", shape: (4096,), dtype: float16
+
 69%|███████████████████████████████████████████████████████████████████████████████████████████████████▋                                            | 135/195 [00:29<00:09,  6.52it/s]
 70%|█████████████████████████████████████████████████████████████████████████████████████████████████████▏                                          | 137/195 [00:29<00:09,  5.90it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:31] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.12.self_attn.qkv_proj.q_weight", shape: (6144, 512), dtype: uint32
+
 70%|█████████████████████████████████████████████████████████████████████████████████████████████████████▏                                          | 137/195 [00:29<00:09,  5.90it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:31] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.12.self_attn.qkv_proj.q_scale", shape: (6144, 128), dtype: float16
+
 70%|█████████████████████████████████████████████████████████████████████████████████████████████████████▏                                          | 137/195 [00:29<00:09,  5.90it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:31] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.12.self_attn.o_proj.q_weight", shape: (4096, 512), dtype: uint32
+
 70%|█████████████████████████████████████████████████████████████████████████████████████████████████████▏                                          | 137/195 [00:29<00:09,  5.90it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:31] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.12.self_attn.o_proj.q_scale", shape: (4096, 128), dtype: float16
+
 70%|█████████████████████████████████████████████████████████████████████████████████████████████████████▏                                          | 137/195 [00:29<00:09,  5.90it/s]
 71%|██████████████████████████████████████████████████████████████████████████████████████████████████████▋                                         | 139/195 [00:29<00:07,  7.16it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:31] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.13.input_layernorm.weight", shape: (4096,), dtype: float16
+
 71%|██████████████████████████████████████████████████████████████████████████████████████████████████████▋                                         | 139/195 [00:29<00:07,  7.16it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:31] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.13.mlp.down_proj.q_weight", shape: (4096, 1792), dtype: uint32
+
 71%|██████████████████████████████████████████████████████████████████████████████████████████████████████▋                                         | 139/195 [00:29<00:07,  7.16it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:31] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.13.mlp.down_proj.q_scale", shape: (4096, 448), dtype: float16
+
 71%|██████████████████████████████████████████████████████████████████████████████████████████████████████▋                                         | 139/195 [00:29<00:07,  7.16it/s]
 72%|████████████████████████████████████████████████████████████████████████████████████████████████████████                                        | 141/195 [00:29<00:06,  7.99it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:32] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.13.mlp.gate_up_proj.q_weight", shape: (28672, 512), dtype: uint32
+
 72%|████████████████████████████████████████████████████████████████████████████████████████████████████████                                        | 141/195 [00:29<00:06,  7.99it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:32] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.13.mlp.gate_up_proj.q_scale", shape: (28672, 128), dtype: float16
+
 72%|████████████████████████████████████████████████████████████████████████████████████████████████████████                                        | 141/195 [00:29<00:06,  7.99it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:32] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.13.post_attention_layernorm.weight", shape: (4096,), dtype: float16
+
 72%|████████████████████████████████████████████████████████████████████████████████████████████████████████                                        | 141/195 [00:29<00:06,  7.99it/s]
 73%|█████████████████████████████████████████████████████████████████████████████████████████████████████████▌                                      | 143/195 [00:29<00:07,  6.58it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:32] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.13.self_attn.qkv_proj.q_weight", shape: (6144, 512), dtype: uint32
+
 73%|█████████████████████████████████████████████████████████████████████████████████████████████████████████▌                                      | 143/195 [00:29<00:07,  6.58it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:32] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.13.self_attn.qkv_proj.q_scale", shape: (6144, 128), dtype: float16
+
 73%|█████████████████████████████████████████████████████████████████████████████████████████████████████████▌                                      | 143/195 [00:29<00:07,  6.58it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:32] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.13.self_attn.o_proj.q_weight", shape: (4096, 512), dtype: uint32
+
 73%|█████████████████████████████████████████████████████████████████████████████████████████████████████████▌                                      | 143/195 [00:29<00:07,  6.58it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:32] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.13.self_attn.o_proj.q_scale", shape: (4096, 128), dtype: float16
+
 73%|█████████████████████████████████████████████████████████████████████████████████████████████████████████▌                                      | 143/195 [00:29<00:07,  6.58it/s]
 74%|███████████████████████████████████████████████████████████████████████████████████████████████████████████                                     | 145/195 [00:29<00:06,  7.88it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:32] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.14.input_layernorm.weight", shape: (4096,), dtype: float16
+
 74%|███████████████████████████████████████████████████████████████████████████████████████████████████████████                                     | 145/195 [00:29<00:06,  7.88it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:32] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.14.mlp.down_proj.q_weight", shape: (4096, 1792), dtype: uint32
+
 74%|███████████████████████████████████████████████████████████████████████████████████████████████████████████                                     | 145/195 [00:30<00:06,  7.88it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:32] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.14.mlp.down_proj.q_scale", shape: (4096, 448), dtype: float16
+
 74%|███████████████████████████████████████████████████████████████████████████████████████████████████████████                                     | 145/195 [00:30<00:06,  7.88it/s]
 75%|████████████████████████████████████████████████████████████████████████████████████████████████████████████▌                                   | 147/195 [00:30<00:05,  8.63it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:32] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.14.mlp.gate_up_proj.q_weight", shape: (28672, 512), dtype: uint32
+
 75%|████████████████████████████████████████████████████████████████████████████████████████████████████████████▌                                   | 147/195 [00:30<00:05,  8.63it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:33] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.14.mlp.gate_up_proj.q_scale", shape: (28672, 128), dtype: float16
+
 75%|████████████████████████████████████████████████████████████████████████████████████████████████████████████▌                                   | 147/195 [00:30<00:05,  8.63it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:33] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.14.post_attention_layernorm.weight", shape: (4096,), dtype: float16
+
 75%|████████████████████████████████████████████████████████████████████████████████████████████████████████████▌                                   | 147/195 [00:30<00:05,  8.63it/s]
 76%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████                                  | 149/195 [00:30<00:06,  6.88it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:33] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.14.self_attn.qkv_proj.q_weight", shape: (6144, 512), dtype: uint32
+
 76%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████                                  | 149/195 [00:30<00:06,  6.88it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:33] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.14.self_attn.qkv_proj.q_scale", shape: (6144, 128), dtype: float16
+
 76%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████                                  | 149/195 [00:30<00:06,  6.88it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:33] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.14.self_attn.o_proj.q_weight", shape: (4096, 512), dtype: uint32
+
 76%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████                                  | 149/195 [00:30<00:06,  6.88it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:33] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.14.self_attn.o_proj.q_scale", shape: (4096, 128), dtype: float16
+
 76%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████                                  | 149/195 [00:30<00:06,  6.88it/s]
 77%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████▌                                | 151/195 [00:30<00:05,  8.05it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:33] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.15.input_layernorm.weight", shape: (4096,), dtype: float16
+
 77%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████▌                                | 151/195 [00:30<00:05,  8.05it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:33] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.15.mlp.down_proj.q_weight", shape: (4096, 1792), dtype: uint32
+
 77%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████▌                                | 151/195 [00:30<00:05,  8.05it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:33] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.15.mlp.down_proj.q_scale", shape: (4096, 448), dtype: float16
+
 77%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████▌                                | 151/195 [00:30<00:05,  8.05it/s]
 78%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉                               | 153/195 [00:30<00:04,  8.60it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:33] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.15.mlp.gate_up_proj.q_weight", shape: (28672, 512), dtype: uint32
+
 78%|█████████████████████████████████████████████████████████████���██████████████████████████████████████████████████▉                               | 153/195 [00:31<00:04,  8.60it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:33] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.15.mlp.gate_up_proj.q_scale", shape: (28672, 128), dtype: float16
+
 78%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉                               | 153/195 [00:31<00:04,  8.60it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:33] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.15.post_attention_layernorm.weight", shape: (4096,), dtype: float16
+
 78%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉                               | 153/195 [00:31<00:04,  8.60it/s]
 79%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍                             | 155/195 [00:31<00:05,  6.77it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:33] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.15.self_attn.qkv_proj.q_weight", shape: (6144, 512), dtype: uint32
+
 79%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍                             | 155/195 [00:31<00:05,  6.77it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:33] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.15.self_attn.qkv_proj.q_scale", shape: (6144, 128), dtype: float16
+
 79%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍                             | 155/195 [00:31<00:05,  6.77it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:33] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.15.self_attn.o_proj.q_weight", shape: (4096, 512), dtype: uint32
+
 79%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍                             | 155/195 [00:31<00:05,  6.77it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:33] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.15.self_attn.o_proj.q_scale", shape: (4096, 128), dtype: float16
+
 79%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍                             | 155/195 [00:31<00:05,  6.77it/s]
 81%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉                            | 157/195 [00:31<00:04,  7.91it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:33] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.16.input_layernorm.weight", shape: (4096,), dtype: float16
+
 81%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉                            | 157/195 [00:31<00:04,  7.91it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:34] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.16.mlp.down_proj.q_weight", shape: (4096, 1792), dtype: uint32
+
 81%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉                            | 157/195 [00:31<00:04,  7.91it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:34] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.16.mlp.down_proj.q_scale", shape: (4096, 448), dtype: float16
+
 81%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉                            | 157/195 [00:31<00:04,  7.91it/s]
 82%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍                          | 159/195 [00:31<00:04,  8.48it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:34] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.16.mlp.gate_up_proj.q_weight", shape: (28672, 512), dtype: uint32
+
 82%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍                          | 159/195 [00:32<00:04,  8.48it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:34] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.16.mlp.gate_up_proj.q_scale", shape: (28672, 128), dtype: float16
+
 82%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍                          | 159/195 [00:32<00:04,  8.48it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:34] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.16.post_attention_layernorm.weight", shape: (4096,), dtype: float16
+
 82%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍                          | 159/195 [00:32<00:04,  8.48it/s]
 83%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉                         | 161/195 [00:32<00:05,  6.70it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:34] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.16.self_attn.qkv_proj.q_weight", shape: (6144, 512), dtype: uint32
+
 83%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉                         | 161/195 [00:32<00:05,  6.70it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:34] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.16.self_attn.qkv_proj.q_scale", shape: (6144, 128), dtype: float16
+
 83%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉                         | 161/195 [00:32<00:05,  6.70it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:34] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.16.self_attn.o_proj.q_weight", shape: (4096, 512), dtype: uint32
+
 83%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉                         | 161/195 [00:32<00:05,  6.70it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:34] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.16.self_attn.o_proj.q_scale", shape: (4096, 128), dtype: float16
+
 83%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉                         | 161/195 [00:32<00:05,  6.70it/s]
 84%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎                       | 163/195 [00:32<00:04,  7.85it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:34] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.17.input_layernorm.weight", shape: (4096,), dtype: float16
+
 84%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎                       | 163/195 [00:32<00:04,  7.85it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:34] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.17.mlp.down_proj.q_weight", shape: (4096, 1792), dtype: uint32
+
 84%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎                       | 163/195 [00:32<00:04,  7.85it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:34] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.17.mlp.down_proj.q_scale", shape: (4096, 448), dtype: float16
+
 84%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎                       | 163/195 [00:32<00:04,  7.85it/s]
 85%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊                      | 165/195 [00:32<00:03,  8.44it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:35] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.17.mlp.gate_up_proj.q_weight", shape: (28672, 512), dtype: uint32
+
 85%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊                      | 165/195 [00:32<00:03,  8.44it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:35] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.17.mlp.gate_up_proj.q_scale", shape: (28672, 128), dtype: float16
+
 85%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊                      | 165/195 [00:32<00:03,  8.44it/s]
 85%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌                     | 166/195 [00:32<00:05,  5.70it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:35] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.17.post_attention_layernorm.weight", shape: (4096,), dtype: float16
+
 85%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌                     | 166/195 [00:32<00:05,  5.70it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:35] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.17.self_attn.qkv_proj.q_weight", shape: (6144, 512), dtype: uint32
+
 85%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌                     | 166/195 [00:33<00:05,  5.70it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:35] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.17.self_attn.qkv_proj.q_scale", shape: (6144, 128), dtype: float16
+
 85%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌                     | 166/195 [00:33<00:05,  5.70it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:35] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.17.self_attn.o_proj.q_weight", shape: (4096, 512), dtype: uint32
+
 85%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌                     | 166/195 [00:33<00:05,  5.70it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:35] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.17.self_attn.o_proj.q_scale", shape: (4096, 128), dtype: float16
+
 85%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌                     | 166/195 [00:33<00:05,  5.70it/s]
 87%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊                   | 169/195 [00:33<00:03,  8.20it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:35] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.18.input_layernorm.weight", shape: (4096,), dtype: float16
+
 87%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊                   | 169/195 [00:33<00:03,  8.20it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:35] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.18.mlp.down_proj.q_weight", shape: (4096, 1792), dtype: uint32
+
 87%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊                   | 169/195 [00:33<00:03,  8.20it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:35] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.18.mlp.down_proj.q_scale", shape: (4096, 448), dtype: float16
+
 87%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊                   | 169/195 [00:33<00:03,  8.20it/s]
 88%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎                 | 171/195 [00:33<00:02,  8.72it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:36] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.18.mlp.gate_up_proj.q_weight", shape: (28672, 512), dtype: uint32
+
 88%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎                 | 171/195 [00:33<00:02,  8.72it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:36] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.18.mlp.gate_up_proj.q_scale", shape: (28672, 128), dtype: float16
+
 88%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎                 | 171/195 [00:33<00:02,  8.72it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:36] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.18.post_attention_layernorm.weight", shape: (4096,), dtype: float16
+
 88%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎                 | 171/195 [00:33<00:02,  8.72it/s]
 89%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊                | 173/195 [00:33<00:03,  6.81it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:36] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.18.self_attn.qkv_proj.q_weight", shape: (6144, 512), dtype: uint32
+
 89%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊                | 173/195 [00:33<00:03,  6.81it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:36] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.18.self_attn.qkv_proj.q_scale", shape: (6144, 128), dtype: float16
+
 89%|██████████████████████████████████████████████████████████████████████████████████████████████��████████████████████████████████▊                | 173/195 [00:33<00:03,  6.81it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:36] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.18.self_attn.o_proj.q_weight", shape: (4096, 512), dtype: uint32
+
 89%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊                | 173/195 [00:33<00:03,  6.81it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:36] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.18.self_attn.o_proj.q_scale", shape: (4096, 128), dtype: float16
+
 89%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊                | 173/195 [00:33<00:03,  6.81it/s]
 90%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏              | 175/195 [00:33<00:02,  7.91it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:36] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.19.input_layernorm.weight", shape: (4096,), dtype: float16
+
 90%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏              | 175/195 [00:33<00:02,  7.91it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:36] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.19.mlp.down_proj.q_weight", shape: (4096, 1792), dtype: uint32
+
 90%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏              | 175/195 [00:34<00:02,  7.91it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:36] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.19.mlp.down_proj.q_scale", shape: (4096, 448), dtype: float16
+
 90%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏              | 175/195 [00:34<00:02,  7.91it/s]
 91%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋             | 177/195 [00:34<00:02,  8.49it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:36] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.19.mlp.gate_up_proj.q_weight", shape: (28672, 512), dtype: uint32
+
 91%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋             | 177/195 [00:34<00:02,  8.49it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:36] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.19.mlp.gate_up_proj.q_scale", shape: (28672, 128), dtype: float16
+
 91%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋             | 177/195 [00:34<00:02,  8.49it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:36] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.19.post_attention_layernorm.weight", shape: (4096,), dtype: float16
+
 91%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋             | 177/195 [00:34<00:02,  8.49it/s]
 92%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏           | 179/195 [00:34<00:02,  6.67it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:37] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.19.self_attn.qkv_proj.q_weight", shape: (6144, 512), dtype: uint32
+
 92%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏           | 179/195 [00:34<00:02,  6.67it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:37] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.19.self_attn.qkv_proj.q_scale", shape: (6144, 128), dtype: float16
+
 92%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏           | 179/195 [00:34<00:02,  6.67it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:37] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.19.self_attn.o_proj.q_weight", shape: (4096, 512), dtype: uint32
+
 92%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏           | 179/195 [00:34<00:02,  6.67it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:37] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.19.self_attn.o_proj.q_scale", shape: (4096, 128), dtype: float16
+
 92%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏           | 179/195 [00:34<00:02,  6.67it/s]
 93%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋          | 181/195 [00:34<00:01,  7.78it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:37] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.20.input_layernorm.weight", shape: (4096,), dtype: float16
+
 93%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋          | 181/195 [00:34<00:01,  7.78it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:37] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.20.mlp.down_proj.q_weight", shape: (4096, 1792), dtype: uint32
+
 93%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋          | 181/195 [00:34<00:01,  7.78it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:37] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.20.mlp.down_proj.q_scale", shape: (4096, 448), dtype: float16
+
 93%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋          | 181/195 [00:34<00:01,  7.78it/s]
 94%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏        | 183/195 [00:34<00:01,  8.36it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:37] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.20.mlp.gate_up_proj.q_weight", shape: (28672, 512), dtype: uint32
+
 94%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏        | 183/195 [00:35<00:01,  8.36it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:37] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.20.mlp.gate_up_proj.q_scale", shape: (28672, 128), dtype: float16
+
 94%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏        | 183/195 [00:35<00:01,  8.36it/s]
 94%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉        | 184/195 [00:35<00:01,  5.60it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:37] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.20.post_attention_layernorm.weight", shape: (4096,), dtype: float16
+
 94%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉        | 184/195 [00:35<00:01,  5.60it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:37] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.20.self_attn.qkv_proj.q_weight", shape: (6144, 512), dtype: uint32
+
 94%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉        | 184/195 [00:35<00:01,  5.60it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:37] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.20.self_attn.qkv_proj.q_scale", shape: (6144, 128), dtype: float16
+
 94%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉        | 184/195 [00:35<00:01,  5.60it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:37] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.20.self_attn.o_proj.q_weight", shape: (4096, 512), dtype: uint32
+
 94%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉        | 184/195 [00:35<00:01,  5.60it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:37] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.20.self_attn.o_proj.q_scale", shape: (4096, 128), dtype: float16
+
 94%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉        | 184/195 [00:35<00:01,  5.60it/s]
 96%|███���██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████      | 187/195 [00:35<00:00,  8.06it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:37] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.21.input_layernorm.weight", shape: (4096,), dtype: float16
+
 96%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████      | 187/195 [00:35<00:00,  8.06it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:38] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.21.mlp.down_proj.q_weight", shape: (4096, 1792), dtype: uint32
+
 96%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████      | 187/195 [00:35<00:00,  8.06it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:38] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.21.mlp.down_proj.q_scale", shape: (4096, 448), dtype: float16
+
 96%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████      | 187/195 [00:35<00:00,  8.06it/s]
 97%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌    | 189/195 [00:35<00:00,  8.59it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:38] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.21.mlp.gate_up_proj.q_weight", shape: (28672, 512), dtype: uint32
+
 97%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌    | 189/195 [00:36<00:00,  8.59it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:38] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.21.mlp.gate_up_proj.q_scale", shape: (28672, 128), dtype: float16
+
 97%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌    | 189/195 [00:36<00:00,  8.59it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:38] INFO huggingface_loader.py:129: [Not quantized] Parameter: "model.layers.21.post_attention_layernorm.weight", shape: (4096,), dtype: float16
+
 97%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌    | 189/195 [00:36<00:00,  8.59it/s]
 98%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████   | 191/195 [00:36<00:00,  6.79it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:38] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.21.self_attn.qkv_proj.q_weight", shape: (6144, 512), dtype: uint32
+
 98%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████   | 191/195 [00:36<00:00,  6.79it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:38] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.21.self_attn.qkv_proj.q_scale", shape: (6144, 128), dtype: float16
+
 98%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████   | 191/195 [00:36<00:00,  6.79it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:38] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.21.self_attn.o_proj.q_weight", shape: (4096, 512), dtype: uint32
+
 98%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████   | 191/195 [00:36<00:00,  6.79it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:38] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.21.self_attn.o_proj.q_scale", shape: (4096, 128), dtype: float16
+
 98%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████   | 191/195 [00:36<00:00,  6.79it/s]
 99%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 193/195 [00:36<00:00,  7.92it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:38] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.22.self_attn.qkv_proj.q_weight", shape: (6144, 512), dtype: uint32
+
 99%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 193/195 [00:36<00:00,  7.92it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:38] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.22.self_attn.qkv_proj.q_scale", shape: (6144, 128), dtype: float16
+
 99%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 193/195 [00:36<00:00,  7.92it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:38] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.22.self_attn.o_proj.q_weight", shape: (4096, 512), dtype: uint32
+
 99%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 193/195 [00:36<00:00,  7.92it/s]
                                                                                                                                                                                       
[2023-12-17 15:19:38] INFO huggingface_loader.py:121: [Quantized] Parameter: "model.layers.22.self_attn.o_proj.q_scale", shape: (4096, 128), dtype: float16
+
 99%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 193/195 [00:36<00:00,  7.92it/s]
100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 195/195 [00:36<00:00,  8.97it/s]
100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 195/195 [00:36<00:00,  5.35it/s]
+[2023-12-17 15:19:38] INFO huggingface_loader.py:179: Unloading HF weight file: /ssd1/cfruan/models/Mistral-7B-Instruct-v0.2/pytorch_model-00002-of-00003.bin
+[2023-12-17 15:19:39] INFO stats.py:71: Time usage: HF loading: 7.631 sec; Pre-quantization mapping: 24.125 sec; Quantization: 2.635 sec
+[2023-12-17 15:19:39] INFO stats.py:85: RAM usage: Peak RAM: 9.313 GB. Total bytes loaded from disk: 26.978 GB
+[2023-12-17 15:19:39] INFO convert_weight.py:109: Parameter size after quantization: 3.794 GB
+[2023-12-17 15:19:39] INFO convert_weight.py:114: Total parameters: 7,241,732,096
+[2023-12-17 15:19:39] INFO convert_weight.py:115: Bits per parameter: 4.500
+Start storing to cache /tmp/tmpi74nzvb4
+

[0001/0325] saving lm_head.q_weight
                                   
[0002/0325] saving lm_head.q_scale
                                   
[0003/0325] saving model.layers.22.input_layernorm.weight
                                                         
[0004/0325] saving model.layers.22.mlp.down_proj.q_weight
                                                         
[0005/0325] saving model.layers.22.mlp.down_proj.q_scale
                                                         
[0006/0325] saving model.layers.22.mlp.gate_up_proj.q_weight
                                                            
[0007/0325] saving model.layers.22.mlp.gate_up_proj.q_scale
                                                            
[0008/0325] saving model.layers.22.post_attention_layernorm.weight
                                                                  
[0009/0325] saving model.layers.23.input_layernorm.weight
                                                                  
[0010/0325] saving model.layers.23.mlp.down_proj.q_weight
                                                                  
[0011/0325] saving model.layers.23.mlp.down_proj.q_scale
                                                                  
[0012/0325] saving model.layers.23.mlp.gate_up_proj.q_weight
                                                                  
[0013/0325] saving model.layers.23.mlp.gate_up_proj.q_scale
                                                                  
[0014/0325] saving model.layers.23.post_attention_layernorm.weight
                                                                  
[0015/0325] saving model.layers.23.self_attn.qkv_proj.q_weight
                                                                  
[0016/0325] saving model.layers.23.self_attn.qkv_proj.q_scale
                                                                  
[0017/0325] saving model.layers.23.self_attn.o_proj.q_weight
                                                                  
[0018/0325] saving model.layers.23.self_attn.o_proj.q_scale
                                                                  
[0019/0325] saving model.layers.24.input_layernorm.weight
                                                                  
[0020/0325] saving model.layers.24.mlp.down_proj.q_weight
                                                                  
[0021/0325] saving model.layers.24.mlp.down_proj.q_scale
                                                                  
[0022/0325] saving model.layers.24.mlp.gate_up_proj.q_weight
                                                                  
[0023/0325] saving model.layers.24.mlp.gate_up_proj.q_scale
                                                                  
[0024/0325] saving model.layers.24.post_attention_layernorm.weight
                                                                  
[0025/0325] saving model.layers.24.self_attn.qkv_proj.q_weight
                                                                  
[0026/0325] saving model.layers.24.self_attn.qkv_proj.q_scale
                                                                  
[0027/0325] saving model.layers.24.self_attn.o_proj.q_weight
                                                                  
[0028/0325] saving model.layers.24.self_attn.o_proj.q_scale
                                                                  
[0029/0325] saving model.layers.25.input_layernorm.weight
                                                                  
[0030/0325] saving model.layers.25.mlp.down_proj.q_weight
                                                                  
[0031/0325] saving model.layers.25.mlp.down_proj.q_scale
                                                                  
[0032/0325] saving model.layers.25.mlp.gate_up_proj.q_weight
                                                                  
[0033/0325] saving model.layers.25.mlp.gate_up_proj.q_scale
                                                                  
[0034/0325] saving model.layers.25.post_attention_layernorm.weight
                                                                  
[0035/0325] saving model.layers.25.self_attn.qkv_proj.q_weight
                                                                  
[0036/0325] saving model.layers.25.self_attn.qkv_proj.q_scale
                                                                  
[0037/0325] saving model.layers.25.self_attn.o_proj.q_weight
                                                                  
[0038/0325] saving model.layers.25.self_attn.o_proj.q_scale
                                                                  
[0039/0325] saving model.layers.26.input_layernorm.weight
                                                                  
[0040/0325] saving model.layers.26.mlp.down_proj.q_weight
                                                                  
[0041/0325] saving model.layers.26.mlp.down_proj.q_scale
                                                                  
[0042/0325] saving model.layers.26.mlp.gate_up_proj.q_weight
                                                                  
[0043/0325] saving model.layers.26.mlp.gate_up_proj.q_scale
                                                                  
[0044/0325] saving model.layers.26.post_attention_layernorm.weight
                                                                  
[0045/0325] saving model.layers.26.self_attn.qkv_proj.q_weight
                                                                  
[0046/0325] saving model.layers.26.self_attn.qkv_proj.q_scale
                                                                  
[0047/0325] saving model.layers.26.self_attn.o_proj.q_weight
                                                                  
[0048/0325] saving model.layers.26.self_attn.o_proj.q_scale
                                                                  
[0049/0325] saving model.layers.27.input_layernorm.weight
                                                                  
[0050/0325] saving model.layers.27.mlp.down_proj.q_weight
                                                                  
[0051/0325] saving model.layers.27.mlp.down_proj.q_scale
                                                                  
[0052/0325] saving model.layers.27.mlp.gate_up_proj.q_weight
                                                                  
[0053/0325] saving model.layers.27.mlp.gate_up_proj.q_scale
                                                                  
[0054/0325] saving model.layers.27.post_attention_layernorm.weight
                                                                  
[0055/0325] saving model.layers.27.self_attn.qkv_proj.q_weight
                                                                  
[0056/0325] saving model.layers.27.self_attn.qkv_proj.q_scale
                                                                  
[0057/0325] saving model.layers.27.self_attn.o_proj.q_weight
                                                                  
[0058/0325] saving model.layers.27.self_attn.o_proj.q_scale
                                                                  
[0059/0325] saving model.layers.28.input_layernorm.weight
                                                                  
[0060/0325] saving model.layers.28.mlp.down_proj.q_weight
                                                                  
[0061/0325] saving model.layers.28.mlp.down_proj.q_scale
                                                                  
[0062/0325] saving model.layers.28.mlp.gate_up_proj.q_weight
                                                                  
[0063/0325] saving model.layers.28.mlp.gate_up_proj.q_scale
                                                                  
[0064/0325] saving model.layers.28.post_attention_layernorm.weight
                                                                  
[0065/0325] saving model.layers.28.self_attn.qkv_proj.q_weight
                                                                  
[0066/0325] saving model.layers.28.self_attn.qkv_proj.q_scale
                                                                  
[0067/0325] saving model.layers.28.self_attn.o_proj.q_weight
                                                                  
[0068/0325] saving model.layers.28.self_attn.o_proj.q_scale
                                                                  
[0069/0325] saving model.layers.29.input_layernorm.weight
                                                                  
[0070/0325] saving model.layers.29.mlp.down_proj.q_weight
                                                                  
[0071/0325] saving model.layers.29.mlp.down_proj.q_scale
                                                                  
[0072/0325] saving model.layers.29.mlp.gate_up_proj.q_weight
                                                                  
[0073/0325] saving model.layers.29.mlp.gate_up_proj.q_scale
                                                                  
[0074/0325] saving model.layers.29.post_attention_layernorm.weight
                                                                  
[0075/0325] saving model.layers.29.self_attn.qkv_proj.q_weight
                                                                  
[0076/0325] saving model.layers.29.self_attn.qkv_proj.q_scale
                                                                  
[0077/0325] saving model.layers.29.self_attn.o_proj.q_weight
                                                                  
[0078/0325] saving model.layers.29.self_attn.o_proj.q_scale
                                                                  
[0079/0325] saving model.layers.30.input_layernorm.weight
                                                                  
[0080/0325] saving model.layers.30.mlp.down_proj.q_weight
                                                                  
[0081/0325] saving model.layers.30.mlp.down_proj.q_scale
                                                                  
[0082/0325] saving model.layers.30.mlp.gate_up_proj.q_weight
                                                                  
[0083/0325] saving model.layers.30.mlp.gate_up_proj.q_scale
                                                                  
[0084/0325] saving model.layers.30.post_attention_layernorm.weight
                                                                  
[0085/0325] saving model.layers.30.self_attn.qkv_proj.q_weight
                                                                  
[0086/0325] saving model.layers.30.self_attn.qkv_proj.q_scale
                                                                  
[0087/0325] saving model.layers.30.self_attn.o_proj.q_weight
                                                                  
[0088/0325] saving model.layers.30.self_attn.o_proj.q_scale
                                                                  
[0089/0325] saving model.layers.31.input_layernorm.weight
                                                                  
[0090/0325] saving model.layers.31.mlp.down_proj.q_weight
                                                                  
[0091/0325] saving model.layers.31.mlp.down_proj.q_scale
                                                                  
[0092/0325] saving model.layers.31.mlp.gate_up_proj.q_weight
                                                                  
[0093/0325] saving model.layers.31.mlp.gate_up_proj.q_scale
                                                                  
[0094/0325] saving model.layers.31.post_attention_layernorm.weight
                                                                  
[0095/0325] saving model.layers.31.self_attn.qkv_proj.q_weight
                                                                  
[0096/0325] saving model.layers.31.self_attn.qkv_proj.q_scale
                                                                  
[0097/0325] saving model.layers.31.self_attn.o_proj.q_weight
                                                                  
[0098/0325] saving model.layers.31.self_attn.o_proj.q_scale
                                                                  
[0099/0325] saving model.norm.weight
                                                                  
[0100/0325] saving model.embed_tokens.q_weight
                                                                  
[0101/0325] saving model.embed_tokens.q_scale
                                                                  
[0102/0325] saving model.layers.0.input_layernorm.weight
                                                                  
[0103/0325] saving model.layers.0.mlp.down_proj.q_weight
                                                                  
[0104/0325] saving model.layers.0.mlp.down_proj.q_scale
                                                                  
[0105/0325] saving model.layers.0.mlp.gate_up_proj.q_weight
                                                                  
[0106/0325] saving model.layers.0.mlp.gate_up_proj.q_scale
                                                                  
[0107/0325] saving model.layers.0.post_attention_layernorm.weight
                                                                  
[0108/0325] saving model.layers.0.self_attn.qkv_proj.q_weight
                                                                  
[0109/0325] saving model.layers.0.self_attn.qkv_proj.q_scale
                                                                  
[0110/0325] saving model.layers.0.self_attn.o_proj.q_weight
                                                                  
[0111/0325] saving model.layers.0.self_attn.o_proj.q_scale
                                                                  
[0112/0325] saving model.layers.1.input_layernorm.weight
                                                                  
[0113/0325] saving model.layers.1.mlp.down_proj.q_weight
                                                                  
[0114/0325] saving model.layers.1.mlp.down_proj.q_scale
                                                                  
[0115/0325] saving model.layers.1.mlp.gate_up_proj.q_weight
                                                                  
[0116/0325] saving model.layers.1.mlp.gate_up_proj.q_scale
                                                                  
[0117/0325] saving model.layers.1.post_attention_layernorm.weight
                                                                  
[0118/0325] saving model.layers.1.self_attn.qkv_proj.q_weight
                                                                  
[0119/0325] saving model.layers.1.self_attn.qkv_proj.q_scale
                                                                  
[0120/0325] saving model.layers.1.self_attn.o_proj.q_weight
                                                                  
[0121/0325] saving model.layers.1.self_attn.o_proj.q_scale
                                                                  
[0122/0325] saving model.layers.10.mlp.gate_up_proj.q_weight
                                                                  
[0123/0325] saving model.layers.10.mlp.gate_up_proj.q_scale
                                                                  
[0124/0325] saving model.layers.10.self_attn.qkv_proj.q_weight
                                                                  
[0125/0325] saving model.layers.10.self_attn.qkv_proj.q_scale
                                                                  
[0126/0325] saving model.layers.10.self_attn.o_proj.q_weight
                                                                  
[0127/0325] saving model.layers.10.self_attn.o_proj.q_scale
                                                                  
[0128/0325] saving model.layers.2.input_layernorm.weight
                                                                  
[0129/0325] saving model.layers.2.mlp.down_proj.q_weight
                                                                  
[0130/0325] saving model.layers.2.mlp.down_proj.q_scale
                                                                  
[0131/0325] saving model.layers.2.mlp.gate_up_proj.q_weight
                                                                  
[0132/0325] saving model.layers.2.mlp.gate_up_proj.q_scale
                                                                  
[0133/0325] saving model.layers.2.post_attention_layernorm.weight
                                                                  
[0134/0325] saving model.layers.2.self_attn.qkv_proj.q_weight
                                                                  
[0135/0325] saving model.layers.2.self_attn.qkv_proj.q_scale
                                                                  
[0136/0325] saving model.layers.2.self_attn.o_proj.q_weight
                                                                  
[0137/0325] saving model.layers.2.self_attn.o_proj.q_scale
                                                                  
[0138/0325] saving model.layers.3.input_layernorm.weight
                                                                  
[0139/0325] saving model.layers.3.mlp.down_proj.q_weight
                                                                  
[0140/0325] saving model.layers.3.mlp.down_proj.q_scale
                                                                  
[0141/0325] saving model.layers.3.mlp.gate_up_proj.q_weight
                                                                  
[0142/0325] saving model.layers.3.mlp.gate_up_proj.q_scale
                                                                  
[0143/0325] saving model.layers.3.post_attention_layernorm.weight
                                                                  
[0144/0325] saving model.layers.3.self_attn.qkv_proj.q_weight
                                                                  
[0145/0325] saving model.layers.3.self_attn.qkv_proj.q_scale
                                                                  
[0146/0325] saving model.layers.3.self_attn.o_proj.q_weight
                                                                  
[0147/0325] saving model.layers.3.self_attn.o_proj.q_scale
                                                                  
[0148/0325] saving model.layers.4.input_layernorm.weight
                                                                  
[0149/0325] saving model.layers.4.mlp.down_proj.q_weight
                                                                  
[0150/0325] saving model.layers.4.mlp.down_proj.q_scale
                                                                  
[0151/0325] saving model.layers.4.mlp.gate_up_proj.q_weight
                                                                  
[0152/0325] saving model.layers.4.mlp.gate_up_proj.q_scale
                                                                  
[0153/0325] saving model.layers.4.post_attention_layernorm.weight
                                                                  
[0154/0325] saving model.layers.4.self_attn.qkv_proj.q_weight
                                                                  
[0155/0325] saving model.layers.4.self_attn.qkv_proj.q_scale
                                                                  
[0156/0325] saving model.layers.4.self_attn.o_proj.q_weight
                                                                  
[0157/0325] saving model.layers.4.self_attn.o_proj.q_scale
                                                                  
[0158/0325] saving model.layers.5.input_layernorm.weight
                                                                  
[0159/0325] saving model.layers.5.mlp.down_proj.q_weight
                                                                  
[0160/0325] saving model.layers.5.mlp.down_proj.q_scale
                                                                  
[0161/0325] saving model.layers.5.mlp.gate_up_proj.q_weight
                                                                  
[0162/0325] saving model.layers.5.mlp.gate_up_proj.q_scale
                                                                  
[0163/0325] saving model.layers.5.post_attention_layernorm.weight
                                                                  
[0164/0325] saving model.layers.5.self_attn.qkv_proj.q_weight
                                                                  
[0165/0325] saving model.layers.5.self_attn.qkv_proj.q_scale
                                                                  
[0166/0325] saving model.layers.5.self_attn.o_proj.q_weight
                                                                  
[0167/0325] saving model.layers.5.self_attn.o_proj.q_scale
                                                                  
[0168/0325] saving model.layers.6.input_layernorm.weight
                                                                  
[0169/0325] saving model.layers.6.mlp.down_proj.q_weight
                                                                  
[0170/0325] saving model.layers.6.mlp.down_proj.q_scale
                                                                  
[0171/0325] saving model.layers.6.mlp.gate_up_proj.q_weight
                                                                  
[0172/0325] saving model.layers.6.mlp.gate_up_proj.q_scale
                                                                  
[0173/0325] saving model.layers.6.post_attention_layernorm.weight
                                                                  
[0174/0325] saving model.layers.6.self_attn.qkv_proj.q_weight
                                                                  
[0175/0325] saving model.layers.6.self_attn.qkv_proj.q_scale
                                                                  
[0176/0325] saving model.layers.6.self_attn.o_proj.q_weight
                                                                  
[0177/0325] saving model.layers.6.self_attn.o_proj.q_scale
                                                                  
[0178/0325] saving model.layers.7.input_layernorm.weight
                                                                  
[0179/0325] saving model.layers.7.mlp.down_proj.q_weight
                                                                  
[0180/0325] saving model.layers.7.mlp.down_proj.q_scale
                                                                  
[0181/0325] saving model.layers.7.mlp.gate_up_proj.q_weight
                                                                  
[0182/0325] saving model.layers.7.mlp.gate_up_proj.q_scale
                                                                  
[0183/0325] saving model.layers.7.post_attention_layernorm.weight
                                                                  
[0184/0325] saving model.layers.7.self_attn.qkv_proj.q_weight
                                                                  
[0185/0325] saving model.layers.7.self_attn.qkv_proj.q_scale
                                                                  
[0186/0325] saving model.layers.7.self_attn.o_proj.q_weight
                                                                  
[0187/0325] saving model.layers.7.self_attn.o_proj.q_scale
                                                                  
[0188/0325] saving model.layers.8.input_layernorm.weight
                                                                  
[0189/0325] saving model.layers.8.mlp.down_proj.q_weight
                                                                  
[0190/0325] saving model.layers.8.mlp.down_proj.q_scale
                                                                  
[0191/0325] saving model.layers.8.mlp.gate_up_proj.q_weight
                                                                  
[0192/0325] saving model.layers.8.mlp.gate_up_proj.q_scale
                                                                  
[0193/0325] saving model.layers.8.post_attention_layernorm.weight
                                                                  
[0194/0325] saving model.layers.8.self_attn.qkv_proj.q_weight
                                                                  
[0195/0325] saving model.layers.8.self_attn.qkv_proj.q_scale
                                                                  
[0196/0325] saving model.layers.8.self_attn.o_proj.q_weight
                                                                  
[0197/0325] saving model.layers.8.self_attn.o_proj.q_scale
                                                                  
[0198/0325] saving model.layers.9.input_layernorm.weight
                                                                  
[0199/0325] saving model.layers.9.mlp.down_proj.q_weight
                                                                  
[0200/0325] saving model.layers.9.mlp.down_proj.q_scale
                                                                  
[0201/0325] saving model.layers.9.mlp.gate_up_proj.q_weight
                                                                  
[0202/0325] saving model.layers.9.mlp.gate_up_proj.q_scale
                                                                  
[0203/0325] saving model.layers.9.post_attention_layernorm.weight
                                                                  
[0204/0325] saving model.layers.9.self_attn.qkv_proj.q_weight
                                                                  
[0205/0325] saving model.layers.9.self_attn.qkv_proj.q_scale
                                                                  
[0206/0325] saving model.layers.9.self_attn.o_proj.q_weight
                                                                  
[0207/0325] saving model.layers.9.self_attn.o_proj.q_scale
                                                                  
[0208/0325] saving model.layers.10.input_layernorm.weight
                                                                  
[0209/0325] saving model.layers.10.mlp.down_proj.q_weight
                                                                  
[0210/0325] saving model.layers.10.mlp.down_proj.q_scale
                                                                  
[0211/0325] saving model.layers.10.post_attention_layernorm.weight
                                                                  
[0212/0325] saving model.layers.11.input_layernorm.weight
                                                                  
[0213/0325] saving model.layers.11.mlp.down_proj.q_weight
                                                                  
[0214/0325] saving model.layers.11.mlp.down_proj.q_scale
                                                                  
[0215/0325] saving model.layers.11.mlp.gate_up_proj.q_weight
                                                                  
[0216/0325] saving model.layers.11.mlp.gate_up_proj.q_scale
                                                                  
[0217/0325] saving model.layers.11.post_attention_layernorm.weight
                                                                  
[0218/0325] saving model.layers.11.self_attn.qkv_proj.q_weight
                                                                  
[0219/0325] saving model.layers.11.self_attn.qkv_proj.q_scale
                                                                  
[0220/0325] saving model.layers.11.self_attn.o_proj.q_weight
                                                                  
[0221/0325] saving model.layers.11.self_attn.o_proj.q_scale
                                                                  
[0222/0325] saving model.layers.12.input_layernorm.weight
                                                                  
[0223/0325] saving model.layers.12.mlp.down_proj.q_weight
                                                                  
[0224/0325] saving model.layers.12.mlp.down_proj.q_scale
                                                                  
[0225/0325] saving model.layers.12.mlp.gate_up_proj.q_weight
                                                                  
[0226/0325] saving model.layers.12.mlp.gate_up_proj.q_scale
                                                                  
[0227/0325] saving model.layers.12.post_attention_layernorm.weight
                                                                  
[0228/0325] saving model.layers.12.self_attn.qkv_proj.q_weight
                                                                  
[0229/0325] saving model.layers.12.self_attn.qkv_proj.q_scale
                                                                  
[0230/0325] saving model.layers.12.self_attn.o_proj.q_weight
                                                                  
[0231/0325] saving model.layers.12.self_attn.o_proj.q_scale
                                                                  
[0232/0325] saving model.layers.13.input_layernorm.weight
                                                                  
[0233/0325] saving model.layers.13.mlp.down_proj.q_weight
                                                                  
[0234/0325] saving model.layers.13.mlp.down_proj.q_scale
                                                                  
[0235/0325] saving model.layers.13.mlp.gate_up_proj.q_weight
                                                                  
[0236/0325] saving model.layers.13.mlp.gate_up_proj.q_scale
                                                                  
[0237/0325] saving model.layers.13.post_attention_layernorm.weight
                                                                  
[0238/0325] saving model.layers.13.self_attn.qkv_proj.q_weight
                                                                  
[0239/0325] saving model.layers.13.self_attn.qkv_proj.q_scale
                                                                  
[0240/0325] saving model.layers.13.self_attn.o_proj.q_weight
                                                                  
[0241/0325] saving model.layers.13.self_attn.o_proj.q_scale
                                                                  
[0242/0325] saving model.layers.14.input_layernorm.weight
                                                                  
[0243/0325] saving model.layers.14.mlp.down_proj.q_weight
                                                                  
[0244/0325] saving model.layers.14.mlp.down_proj.q_scale
                                                                  
[0245/0325] saving model.layers.14.mlp.gate_up_proj.q_weight
                                                                  
[0246/0325] saving model.layers.14.mlp.gate_up_proj.q_scale
                                                                  
[0247/0325] saving model.layers.14.post_attention_layernorm.weight
                                                                  
[0248/0325] saving model.layers.14.self_attn.qkv_proj.q_weight
                                                                  
[0249/0325] saving model.layers.14.self_attn.qkv_proj.q_scale
                                                                  
[0250/0325] saving model.layers.14.self_attn.o_proj.q_weight
                                                                  
[0251/0325] saving model.layers.14.self_attn.o_proj.q_scale
                                                                  
[0252/0325] saving model.layers.15.input_layernorm.weight
                                                                  
[0253/0325] saving model.layers.15.mlp.down_proj.q_weight
                                                                  
[0254/0325] saving model.layers.15.mlp.down_proj.q_scale
                                                                  
[0255/0325] saving model.layers.15.mlp.gate_up_proj.q_weight
                                                                  
[0256/0325] saving model.layers.15.mlp.gate_up_proj.q_scale
                                                                  
[0257/0325] saving model.layers.15.post_attention_layernorm.weight
                                                                  
[0258/0325] saving model.layers.15.self_attn.qkv_proj.q_weight
                                                                  
[0259/0325] saving model.layers.15.self_attn.qkv_proj.q_scale
                                                                  
[0260/0325] saving model.layers.15.self_attn.o_proj.q_weight
                                                                  
[0261/0325] saving model.layers.15.self_attn.o_proj.q_scale
                                                                  
[0262/0325] saving model.layers.16.input_layernorm.weight
                                                                  
[0263/0325] saving model.layers.16.mlp.down_proj.q_weight
                                                                  
[0264/0325] saving model.layers.16.mlp.down_proj.q_scale
                                                                  
[0265/0325] saving model.layers.16.mlp.gate_up_proj.q_weight
                                                                  
[0266/0325] saving model.layers.16.mlp.gate_up_proj.q_scale
                                                                  
[0267/0325] saving model.layers.16.post_attention_layernorm.weight
                                                                  
[0268/0325] saving model.layers.16.self_attn.qkv_proj.q_weight
                                                                  
[0269/0325] saving model.layers.16.self_attn.qkv_proj.q_scale
                                                                  
[0270/0325] saving model.layers.16.self_attn.o_proj.q_weight
                                                                  
[0271/0325] saving model.layers.16.self_attn.o_proj.q_scale
                                                                  
[0272/0325] saving model.layers.17.input_layernorm.weight
                                                                  
[0273/0325] saving model.layers.17.mlp.down_proj.q_weight
                                                                  
[0274/0325] saving model.layers.17.mlp.down_proj.q_scale
                                                                  
[0275/0325] saving model.layers.17.mlp.gate_up_proj.q_weight
                                                                  
[0276/0325] saving model.layers.17.mlp.gate_up_proj.q_scale
                                                                  
[0277/0325] saving model.layers.17.post_attention_layernorm.weight
                                                                  
[0278/0325] saving model.layers.17.self_attn.qkv_proj.q_weight
                                                                  
[0279/0325] saving model.layers.17.self_attn.qkv_proj.q_scale
                                                                  
[0280/0325] saving model.layers.17.self_attn.o_proj.q_weight
                                                                  
[0281/0325] saving model.layers.17.self_attn.o_proj.q_scale
                                                                  
[0282/0325] saving model.layers.18.input_layernorm.weight
                                                                  
[0283/0325] saving model.layers.18.mlp.down_proj.q_weight
                                                                  
[0284/0325] saving model.layers.18.mlp.down_proj.q_scale
                                                                  
[0285/0325] saving model.layers.18.mlp.gate_up_proj.q_weight
                                                                  
[0286/0325] saving model.layers.18.mlp.gate_up_proj.q_scale
                                                                  
[0287/0325] saving model.layers.18.post_attention_layernorm.weight
                                                                  
[0288/0325] saving model.layers.18.self_attn.qkv_proj.q_weight
                                                                  
[0289/0325] saving model.layers.18.self_attn.qkv_proj.q_scale
                                                                  
[0290/0325] saving model.layers.18.self_attn.o_proj.q_weight
                                                                  
[0291/0325] saving model.layers.18.self_attn.o_proj.q_scale
                                                                  
[0292/0325] saving model.layers.19.input_layernorm.weight
                                                                  
[0293/0325] saving model.layers.19.mlp.down_proj.q_weight
                                                                  
[0294/0325] saving model.layers.19.mlp.down_proj.q_scale
                                                                  
[0295/0325] saving model.layers.19.mlp.gate_up_proj.q_weight
                                                                  
[0296/0325] saving model.layers.19.mlp.gate_up_proj.q_scale
                                                                  
[0297/0325] saving model.layers.19.post_attention_layernorm.weight
                                                                  
[0298/0325] saving model.layers.19.self_attn.qkv_proj.q_weight
                                                                  
[0299/0325] saving model.layers.19.self_attn.qkv_proj.q_scale
                                                                  
[0300/0325] saving model.layers.19.self_attn.o_proj.q_weight
                                                                  
[0301/0325] saving model.layers.19.self_attn.o_proj.q_scale
                                                                  
[0302/0325] saving model.layers.20.input_layernorm.weight
                                                                  
[0303/0325] saving model.layers.20.mlp.down_proj.q_weight
                                                                  
[0304/0325] saving model.layers.20.mlp.down_proj.q_scale
                                                                  
[0305/0325] saving model.layers.20.mlp.gate_up_proj.q_weight
                                                                  
[0306/0325] saving model.layers.20.mlp.gate_up_proj.q_scale
                                                                  
[0307/0325] saving model.layers.20.post_attention_layernorm.weight
                                                                  
[0308/0325] saving model.layers.20.self_attn.qkv_proj.q_weight
                                                                  
[0309/0325] saving model.layers.20.self_attn.qkv_proj.q_scale
                                                                  
[0310/0325] saving model.layers.20.self_attn.o_proj.q_weight
                                                                  
[0311/0325] saving model.layers.20.self_attn.o_proj.q_scale
                                                                  
[0312/0325] saving model.layers.21.input_layernorm.weight
                                                                  
[0313/0325] saving model.layers.21.mlp.down_proj.q_weight
                                                                  
[0314/0325] saving model.layers.21.mlp.down_proj.q_scale
                                                                  
[0315/0325] saving model.layers.21.mlp.gate_up_proj.q_weight
                                                                  
[0316/0325] saving model.layers.21.mlp.gate_up_proj.q_scale
                                                                  
[0317/0325] saving model.layers.21.post_attention_layernorm.weight
                                                                  
[0318/0325] saving model.layers.21.self_attn.qkv_proj.q_weight
                                                                  
[0319/0325] saving model.layers.21.self_attn.qkv_proj.q_scale
                                                                  
[0320/0325] saving model.layers.21.self_attn.o_proj.q_weight
                                                                  
[0321/0325] saving model.layers.21.self_attn.o_proj.q_scale[2023-12-17 15:19:46] INFO convert_weight.py:131: Saved to directory: /tmp/tmpi74nzvb4
+
                                                                  
[0322/0325] saving model.layers.22.self_attn.qkv_proj.q_weight
                                                                  
[0323/0325] saving model.layers.22.self_attn.qkv_proj.q_scale
                                                                  
[0324/0325] saving model.layers.22.self_attn.o_proj.q_weight
                                                                  
[0325/0325] saving model.layers.22.self_attn.o_proj.q_scale
+All finished, 106 total shards committed, record saved to /tmp/tmpi74nzvb4/ndarray-cache.json