Qwen3-8B-FP8-dynamicオープンソースモデル - リソース使用量を削減しながら性能を維持する実用的な選択肢

ホーム

Qwen3 8B FP8 Dynamic

RedHatAIによって開発

Qwen3-8B-FP8-dynamicはQwen3-8BモデルをFP8量子化で最適化したバージョンで、GPUメモリ要件とディスク使用量を大幅に削減しながら、元のモデルの性能を維持しています。

大規模言語モデル

Transformers

オープンソースライセンス:Apache-2.0 #FP8量子化 #多言語生成 #効率的な推論

ダウンロード数 81

リリース時間 : 5/2/2025

モデル概要

このモデルはQwen3-8Bの活性化と重みをFP8データ型に量子化して得られた最適化バージョンで、推論、関数呼び出し、多言語命令追従などのタスクに適しています。

モデル特徴

FP8量子化

FP8量子化技術により、GPUメモリ要件（約50%）とディスク使用量（約50%）を大幅に削減し、計算スループットを向上させました（約2倍）。

効率的な推論

最適化されたモデルは元のモデルの性能を維持し、複数のベンチマークテストで優れた結果を示し、一部のタスクではさらなる改善が見られました。

多言語サポート

多言語命令追従と翻訳タスクをサポートし、国際的なアプリケーションシナリオに適しています。

モデル能力

テキスト生成

関数呼び出し

多言語命令追従

翻訳

使用事例

汎用AIアシスタント

インテリジェントQA

ユーザーのさまざまな質問に答え、正確な情報とアドバイスを提供します。

OpenLLM v1ベンチマークテストで平均回復率101.0%を達成

教育

数学問題解答

複雑な数学問題を解決し、詳細な解答手順を提供します。

Math-lvl-5テストで51.90点を達成

ビジネスアプリケーション

多言語カスタマーサポート

多言語でのカスタマーサポートを提供し、顧客の問い合わせを理解して回答します。

MGSM多言語テストで25.80点を達成

🚀 Qwen3-8B-FP8-dynamic

このモデルは、Qwen3-8B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。また、推論、関数呼び出し、多言語命令追従、翻訳などの様々なタスクに対応しています。

🚀 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考にしてください。

from vllm import LLM, SamplingParams
from transformers import AutoTokenizer

model_id = "RedHatAI/Qwen3-8B-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: Qwen3ForCausalLM
- 入力: テキスト
- 出力: テキスト
モデル最適化:
- 活性化量子化: FP8
- 重み量子化: FP8
想定使用ケース:
- 推論
- 関数呼び出し
- 微調整による専門家知識の注入
- 多言語命令追従
- 翻訳
適用範囲外: 適用される法律や規制（貿易コンプライアンス法律を含む）に違反する方法での使用
リリース日: 2025年05月02日
バージョン: 1.0
モデル開発者: RedHat (Neural Magic)

📦 インストール

このモデルは、transformersライブラリを使用してロードできます。以下のコマンドでインストールできます。

pip install transformers

💻 使用例

基本的な使用法

from vllm import LLM, SamplingParams
from transformers import AutoTokenizer

model_id = "RedHatAI/Qwen3-8B-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)

📚 ドキュメント

モデル最適化

このモデルは、Qwen3-8Bの活性化と重みを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、重みと活性化を表すビット数が16から8に減少し、GPUメモリ要件が約50%削減され、行列乗算の計算スループットが約2倍に増加します。重みの量子化により、ディスクサイズ要件も約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のみが量子化されます。重みは対称的な静的チャネルごとのスキームで量子化され、活性化は対称的な動的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。

作成方法

作成詳細

このモデルは、[llm-compressor](https://github.com/vllm-project/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 llmcompressor.modifiers.quantization import QuantizationModifier
from llmcompressor.transformers import oneshot
from transformers import AutoModelForCausalLM, AutoTokenizer

# Load model
model_stub = "Qwen/Qwen3-8B"
model_name = model_stub.split("/")[-1]

model = AutoModelForCausalLM.from_pretrained(model_stub)

tokenizer = AutoTokenizer.from_pretrained(model_stub)

# Configure the quantization algorithm and scheme
recipe = QuantizationModifier(
    ignore=["lm_head"],
    targets="Linear",
    scheme="FP8_dynamic",
)

# 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}")

評価

このモデルは、OpenLLMリーダーボードタスク（バージョン1と2）で、lm-evaluation-harnessを使用して評価され、推論タスクではlightevalを使用して評価されました。すべての評価にはvLLMが使用されています。

評価詳細

lm-evaluation-harness

lm_eval \
  --model vllm \
  --model_args pretrained="RedHatAI/Qwen3-8B-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

lm_eval \
  --model vllm \
  --model_args pretrained="RedHatAI/Qwen3-8B-FP8-dynamic",dtype=auto,gpu_memory_utilization=0.5,max_model_len=8192,enable_chunk_prefill=True,tensor_parallel_size=1 \
  --tasks mgsm \
  --apply_chat_template\
  --batch_size auto

lm_eval \
  --model vllm \
  --model_args pretrained="RedHatAI/Qwen3-8B-FP8-dynamic",dtype=auto,gpu_memory_utilization=0.5,max_model_len=16384,enable_chunk_prefill=True,tensor_parallel_size=1 \
  --tasks leaderboard \
  --apply_chat_template\
  --fewshot_as_multiturn \
  --batch_size auto

lighteval

lighteval_model_arguments.yaml

model_parameters:
  model_name: RedHatAI/Qwen3-8B-FP8-dynamic
  dtype: auto
  gpu_memory_utilization: 0.9
  max_model_length: 40960
  generation_parameters:
    temperature: 0.6
    top_k: 20
    min_p: 0.0
    top_p: 0.95
    max_new_tokens: 32768

lighteval vllm \
  --model_args lighteval_model_arguments.yaml \
  --tasks lighteval|aime24|0|0 \
  --use_chat_template = true

lighteval vllm \
  --model_args lighteval_model_arguments.yaml \
  --tasks lighteval|aime25|0|0 \
  --use_chat_template = true

lighteval vllm \
  --model_args lighteval_model_arguments.yaml \
  --tasks lighteval|math_500|0|0 \
  --use_chat_template = true

lighteval vllm \
  --model_args lighteval_model_arguments.yaml \
  --tasks lighteval|gpqa:diamond|0|0 \
  --use_chat_template = true

lighteval vllm \
  --model_args lighteval_model_arguments.yaml \
  --tasks extended|lcb:codegeneration \
  --use_chat_template = true

精度

カテゴリ	ベンチマーク	Qwen3-8B	Qwen3-8B-FP8-dynamic (このモデル)	回復率
OpenLLM v1	MMLU (5-shot)	71.95	72.30	100.5%
	ARC Challenge (25-shot)	61.69	61.60	99.9%
	GSM-8K (5-shot, strict-match)	75.97	80.52	106.0%
	Hellaswag (10-shot)	56.52	55.95	99.0%
	Winogrande (5-shot)	65.98	66.22	100.4%
	TruthfulQA (0-shot, mc2)	53.17	52.39	98.5%
	平均	64.21	64.83	101.0%
OpenLLM v2	MMLU-Pro (5-shot)	34.57	37.82	109.4%
	IFEval (0-shot)	84.77	84.56	99.8%
	BBH (3-shot)	25.47	27.20	106.8%
	Math-lvl-5 (4-shot)	51.05	51.90	101.7%
	GPQA (0-shot)	0.00	0.00	---
	MuSR (0-shot)	10.02	10.65	---
	平均	34.31	35.35	103.0%
多言語	MGSM (0-shot)	25.97	25.80	99.4%
推論 (生成)	AIME 2024	74.58	76.35	102.4%
	AIME 2025	65.21	63.75	97.8%
	GPQA diamond	58.59	61.11	104.3%
	Math-lvl-5	97.60	96.60	99.0%
	LiveCodeBench	56.27	56.60	100.6%