Qwq 32B FP8 Dynamic

🚀 QwQ-32B-FP8-dynamic

Qwen/QwQ-32B の量子化バージョンです。このモデルは、Qwen2ForCausalLMアーキテクチャを使用し、入出力ともにテキストを扱います。重みと活性化関数の量子化にはFP8を使用しており、2025年3月6日にバージョン1.0としてリリースされました。開発者はNeural Magicです。

🚀 クイックスタート

このモデルは、vLLM バックエンドを使用して効率的にデプロイできます。以下に例を示します。

from transformers import AutoTokenizer
from vllm import LLM, SamplingParams

number_gpus = 1
model_name = "neuralmagic/QwQ-32B-FP8-dynamic"

tokenizer = AutoTokenizer.from_pretrained(model_name)
sampling_params = SamplingParams(temperature=0.6, max_tokens=256, stop_token_ids=[tokenizer.eos_token_id])
llm = LLM(model=model_name, tensor_parallel_size=number_gpus, trust_remote_code=True)

messages_list = [
    [{"role": "user", "content": "Who are you? Please respond in pirate speak!"}],
]

prompt_token_ids = [tokenizer.apply_chat_template(messages, add_generation_prompt=True) for messages in messages_list]

outputs = llm.generate(prompt_token_ids=prompt_token_ids, sampling_params=sampling_params)

generated_text = [output.outputs[0].text for output in outputs]
print(generated_text)

vLLMはOpenAI互換のサービングもサポートしています。詳細は ドキュメント を参照してください。

✨ 主な機能

モデル概要

• モデルアーキテクチャ: Qwen2ForCausalLM
  • 入力: テキスト
  • 出力: テキスト
• モデル最適化:
  • 重み量子化: FP8
  • 活性化量子化: FP8
• リリース日: 2025年3月6日
• バージョン: 1.0
• モデル開発者: Neural Magic

モデル最適化

このモデルは、Qwen/QwQ-32B の重みと活性化関数をFP8データ型に量子化することで得られました。この最適化により、パラメータごとのビット数が16から8に減少し、ディスクサイズとGPUメモリ要件が約50％削減されます。

トランスフォーマーブロック内の線形演算子の重みと活性化関数のみが量子化されます。重みは対称的なチャネルごとのスキームを使用して量子化され、活性化関数は対称的なトークンごとのスキームを使用して量子化されます。量子化には LLM Compressor が使用されています。

💻 使用例

基本的な使用法

from transformers import AutoTokenizer
from vllm import LLM, SamplingParams

number_gpus = 1
model_name = "neuralmagic/QwQ-32B-FP8-dynamic"

tokenizer = AutoTokenizer.from_pretrained(model_name)
sampling_params = SamplingParams(temperature=0.6, max_tokens=256, stop_token_ids=[tokenizer.eos_token_id])
llm = LLM(model=model_name, tensor_parallel_size=number_gpus, trust_remote_code=True)

messages_list = [
    [{"role": "user", "content": "Who are you? Please respond in pirate speak!"}],
]

prompt_token_ids = [tokenizer.apply_chat_template(messages, add_generation_prompt=True) for messages in messages_list]

outputs = llm.generate(prompt_token_ids=prompt_token_ids, sampling_params=sampling_params)

generated_text = [output.outputs[0].text for output in outputs]
print(generated_text)

🔧 技術詳細

作成方法

このモデルは、llm-compressor を使用して以下のコードスニペットを実行することで作成されました。

from transformers import AutoModelForCausalLM, AutoTokenizer
from llmcompressor.modifiers.quantization import QuantizationModifier
from llmcompressor.transformers import oneshot
import os

# Load model
model_stub = "Qwen/QwQ-32B"
model_name = model_stub.split("/")[-1]

model = AutoModelForCausalLM.from_pretrained(
    model_stub,
    torch_dtype="auto",
)

tokenizer = AutoTokenizer.from_pretrained(model_stub)

# Configure the quantization algorithm and scheme
recipe = QuantizationModifier(
    targets="Linear",
    scheme="FP8_DYNAMIC",
    ignore=["lm_head"],
)

# Apply quantization
oneshot(
    model=model,
    recipe=recipe,
)

# Save to disk in compressed-tensors format
save_path = model_name + "-FP8-dynamic"
model.save_pretrained(save_path)
tokenizer.save_pretrained(save_path)
print(f"Model and tokenizer saved to: {save_path}")

精度

📄 ライセンス

このモデルはMITライセンスの下で提供されています。