Qwen3 30B A3B FP8 Dynamic

🚀 Qwen3-30B-A3B-FP8-dynamic

このモデルは、Qwen3-30B-A3B 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たものです。GPUメモリの要件を削減し、行列乗算の計算スループットを向上させることができます。

🚀 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。以下のコード例を参照してください。

from vllm import LLM, SamplingParams
from transformers import AutoTokenizer

model_id = "RedHatAI/Qwen3-30B-A3B-FP8-dynamic"
number_gpus = 1
sampling_params = SamplingParams(temperature=0.6, top_p=0.95, top_k=20, min_p=0, max_tokens=256)

messages = [
    {"role": "user", "content": prompt}
]

tokenizer = AutoTokenizer.from_pretrained(model_id)

messages = [{"role": "user", "content": "Give me a short introduction to large language model."}]

prompts = tokenizer.apply_chat_template(messages, add_generation_prompt=True, tokenize=False)

llm = LLM(model=model_id, tensor_parallel_size=number_gpus)

outputs = llm.generate(prompts, sampling_params)

generated_text = outputs[0].outputs[0].text
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

• モデルアーキテクチャ：Qwen3MoeForCausalLM
  • 入力：テキスト
  • 出力：テキスト
• モデル最適化：
  • 活性化関数の量子化：FP8
  • 重みの量子化：FP8
• 想定される使用例：
  • 推論
  • 関数呼び出し
  • 微調整による専門家知識の付与
  • 多言語命令の実行
  • 翻訳
• 対象外の使用：適用される法律や規制（貿易コンプライアンス法を含む）に違反する方法での使用

📦 インストール

このセクションでは、モデルのインストールに関する具体的な手順は提供されていません。

💻 使用例

基本的な使用法

from vllm import LLM, SamplingParams
from transformers import AutoTokenizer

model_id = "RedHatAI/Qwen3-30B-A3B-FP8-dynamic"
number_gpus = 1
sampling_params = SamplingParams(temperature=0.6, top_p=0.95, top_k=20, min_p=0, max_tokens=256)

messages = [
    {"role": "user", "content": prompt}
]

tokenizer = AutoTokenizer.from_pretrained(model_id)

messages = [{"role": "user", "content": "Give me a short introduction to large language model."}]

prompts = tokenizer.apply_chat_template(messages, add_generation_prompt=True, tokenize=False)

llm = LLM(model=model_id, tensor_parallel_size=number_gpus)

outputs = llm.generate(prompts, sampling_params)

generated_text = outputs[0].outputs[0].text
print(generated_text)

高度な使用法

# vLLMを使用したOpenAI互換のサービングの例
# 詳細は https://docs.vllm.ai/en/latest/ を参照

📚 ドキュメント

モデルの最適化

このモデルは、Qwen3-30B-A3B 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、重みと活性化関数を表すビット数が16から8に減少し、GPUメモリの要件が約50％削減され、行列乗算の計算スループットが約2倍になります。重みの量子化により、ディスクサイズの要件も約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。重みは対称的な静的なチャネルごとのスキームで量子化され、活性化関数は対称的な動的なトークンごとのスキームで量子化されます。量子化には llm-compressor ライブラリが使用されています。

モデルの作成

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

# モデルの読み込み
model_stub = "Qwen/Qwen3-30B-A3B"
model_name = model_stub.split("/")[-1]

model = AutoModelForCausalLM.from_pretrained(model_stub)

tokenizer = AutoTokenizer.from_pretrained(model_stub)

# 量子化アルゴリズムとスキームの設定
recipe = QuantizationModifier(
    ignore=["lm_head"],
    targets="Linear",
    scheme="FP8_dynamic",
)

# 量子化の適用
oneshot(
    model=model,
    recipe=recipe,
)

# 圧縮テンソル形式でディスクに保存
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}")

評価

このモデルは、lm-evaluation-harness と vLLM を使用して、OpenLLMリーダーボードのタスク（バージョン1）で評価されました。

lm_eval \
  --model vllm \
  --model_args pretrained="RedHatAI/Qwen3-30B-A3B-FP8-dynamic",dtype=auto,gpu_memory_utilization=0.5,max_model_len=8192,enable_chunk_prefill=True,tensor_parallel_size=1 \
  --tasks openllm \
  --apply_chat_template\
  --fewshot_as_multiturn \
  --batch_size auto

精度

📄 ライセンス

このモデルはApache-2.0ライセンスの下で提供されています。