Qwen3-14B-FP8-dynamicオープンソース大規模言語モデル - メモリ要件を削減し、計算効率を向上させ、無料で利用可能

ホーム

Qwen3 14B FP8 Dynamic

RedHatAIによって開発

Qwen3-14B-FP8-dynamicは最適化された大規模言語モデルで、活性化値と重みをFP8データ型に量子化することで、GPUメモリの要件を効果的に削減し、計算スループットを向上させます。

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量子化最適化 #多言語命令追従 #高効率推論

ダウンロード数 167

リリース時間 : 5/2/2025

モデル概要

このモデルは、推論、関数呼び出し、多言語命令追従などの様々なシナリオに適しており、FP8量子化技術によってパフォーマンスとリソース使用効率が最適化されています。

モデル特徴

FP8量子化最適化

FP8データ型を使用して活性化値と重みを量子化し、GPUメモリの要件とディスク空間の占有を大幅に削減します。

高効率計算

量子化技術により、行列乗算の計算スループットを約2倍に向上させます。

多シナリオ対応

推論、関数呼び出し、多言語命令追従などの様々なアプリケーションシナリオをサポートします。

モデル能力

テキスト生成

命令追従

関数呼び出し

多言語翻訳

推論タスク

使用事例

自然言語処理

大規模言語モデルの概要生成

大規模言語モデルに関する簡単な紹介テキストを生成します。

要求に合致したテキスト内容を生成します

多言語アプリケーション

多言語命令追従

複数の言語の命令を理解して実行します。

多言語の命令を正確に理解して応答します

🚀 Qwen3-14B-FP8-dynamic

このモデルは、Qwen3-14B の活性化関数と重みを FP8 データ型に量子化することで得られたものです。この最適化により、GPU メモリの使用量を削減し、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。以下に例を示します。

from vllm import LLM, SamplingParams
from transformers import AutoTokenizer

model_id = "RedHatAI/Qwen3-14B-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。詳細については、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: Qwen3ForCausalLM
- 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)

モデル最適化

このモデルは、Qwen3-14B の活性化関数と重みを 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、重みと活性化関数を表すビット数が16から8に減少し、GPU メモリの使用量が約50％削減され、行列乗算の計算スループットが約2倍に向上します。重みの量子化により、ディスク容量の要件も約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。

📦 インストール

このモデルを使用するには、必要なライブラリをインストールする必要があります。以下のコマンドを実行してください。

pip install vllm transformers

💻 使用例

基本的な使用法

from vllm import LLM, SamplingParams
from transformers import AutoTokenizer

model_id = "RedHatAI/Qwen3-14B-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

# 高度な使用法の説明
# ここでは、モデルの微調整や、特定のタスクに対する最適化などの高度な使用法を説明することができます。

📚 ドキュメント

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

# モデルの読み込み
model_stub = "Qwen/Qwen3-14B"
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}")

評価方法

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

評価詳細

lm-evaluation-harness

lm_eval \
  --model vllm \
  --model_args pretrained="RedHatAI/Qwen3-14B-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/Qwen3-14B-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/Qwen3-14B-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/Qwen3-14B-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	Qwen3-14B	Qwen3-14B-FP8-dynamic (このモデル)	回復率
OpenLLM v1	MMLU (5-shot)	76.81	76.47	99.6%
	ARC Challenge (25-shot)	61.60	61.95	100.6%
	GSM-8K (5-shot, strict-match)	67.63	66.19	97.9%
	Hellaswag (10-shot)	55.09	56.46	102.5%
	Winogrande (5-shot)	62.51	63.61	101.8%
	TruthfulQA (0-shot, mc2)	55.39	55.59	100.4%
	平均	63.17	63.38	100.3%
OpenLLM v2	MMLU-Pro (5-shot)	44.59	45.21	101.6%
	IFEval (0-shot)	87.48	87.78	100.4%
	BBH (3-shot)	40.40	40.37	99.9%
	Math-lvl-5 (4-shot)	54.18	54.31	100.2%
	GPQA (0-shot)	0.30	0.00	---
	MuSR (0-shot)	5.74	5.07	---
	平均	38.78	38.81	100.1%
多言語	MGSM (0-shot)	26.17	21.77	83.2%
推論 (生成)	AIME 2024	76.56	76.88	100.4%
	AIME 2025	66.35	66.98	101.0%
	GPQA diamond	61.62	64.14	104.1%
	Math-lvl-5	96.80	97.20	100.4%
	LiveCodeBench	60.84	60.56	99.5%