Qwen2.5-VL-3B-Instruct-GPTQ-Int3オープンソースモデル - 効率的なマルチモーダル画像・文字処理、VRAM節約で高速

Home

Qwen2.5 VL 3B Instruct GPTQ Int3

Developed by hfl

Qwen2.5-VL-3B-InstructのGPTQ-Int3量子化バージョンで、マルチモーダル画像テキスト処理タスクに適しており、VRAM使用量が少なく、推論速度が速い。

画像生成テキスト

Transformers

Supports Multiple LanguagesOpen Source License:Apache-2.0 #マルチモーダル画像テキスト理解 #GPTQ低ビット量子化 #効率的な視覚的質問応答

Downloads 60

Release Time : 3/20/2025

Model Overview

これはQwen2.5-VL-3B-Instructモデルに基づくGPTQ-Int3量子化バージョンで、画像とテキストのマルチモーダルインタラクションタスク、例えば視覚的質問応答やOCR認識に焦点を当てています。

Model Features

効率的な量子化

GPTQ-Int3量子化技術を採用し、モデルのディスク使用量とVRAM要件を大幅に削減

マルチモーダルサポート

画像とテキスト入力を同時に処理し、視覚言語インタラクションを実現

性能維持

量子化後もChartQAやOCRBenchなどのタスク性能を高いレベルで維持

計算効率

AWQ量子化バージョンと比較して、VRAM使用量が少なく、推論速度が速い

Model Capabilities

画像キャプション生成

視覚的質問応答

OCRテキスト認識

マルチモーダルインタラクション

Use Cases

教育

チャート理解

学生が複雑なチャートのデータを理解するのを支援

ChartQAテストセットで76.68点を達成

ドキュメント処理

OCR強化

スキャンされたドキュメントの画像とテキスト内容を認識し理解

OCRBenchで742点を達成

コンテンツモデレーション

マルチモーダルコンテンツ分析

画像とテキストコンテンツを同時に分析してモデレーションを行う

🚀 Qwen2.5-VL-3B-Instruct-GPTQ-Int3

このモデルは、gptqmodel ライブラリを使用して Qwen2.5-VL モデルをGPTQ-Int3で量子化した非公式バージョンです。

このモデルは、最新の transformers ライブラリ（非量子化のQwen2.5-VLモデルを実行できる）と互換性があります。

✨ 主な機能

性能

モデル	ディスク容量	ChartQA (テスト)	OCRBench
Qwen2.5-VL-3B-Instruct	7.1 GB	83.48	791
Qwen2.5-VL-3B-Instruct-AWQ	3.2 GB	82.52	786
Qwen2.5-VL-3B-Instruct-GPTQ-Int4	3.2 GB	82.56	784
Qwen2.5-VL-3B-Instruct-GPTQ-Int3	2.9 GB	76.68	742
Qwen2.5-VL-7B-Instruct	16.0 GB	83.2	846
Qwen2.5-VL-7B-Instruct-AWQ	6.5 GB	79.68	837
Qwen2.5-VL-7B-Instruct-GPTQ-Int4	6.5 GB	81.48	845
Qwen2.5-VL-7B-Instruct-GPTQ-Int3	5.8 GB	78.56	823

注意事項

評価は、lmms-eval をデフォルト設定で使用して行われています。
これらの評価では、GPTQモデルはAWQシリーズよりも計算効率が高く（VRAM使用量が少なく、推論速度が速い）です。
autogptq ライブラリはもはやメンテナンスされていないため、gptqmodel を使用することを推奨します。

🚀 クイックスタート

必要なライブラリのインストール

pip install git+https://github.com/huggingface/transformers accelerate qwen-vl-utils
pip install git+https://github.com/huggingface/optimum.git
pip install gptqmodel

必要に応じて、以下をインストールすることができます。

pip install tokenicer device_smi logbar

サンプルコード

from transformers import Qwen2_5_VLForConditionalGeneration, AutoTokenizer, AutoProcessor
from qwen_vl_utils import process_vision_info

model = Qwen2_5_VLForConditionalGeneration.from_pretrained(
    "hfl/Qwen2.5-VL-3B-Instruct-GPTQ-Int4", 
    attn_implementation="flash_attention_2",
    device_map="auto"
)
processor = AutoProcessor.from_pretrained("hfl/Qwen2.5-VL-3B-Instruct-GPTQ-Int4")

messages = [{
    "role": "user",
    "content": [
        {"type": "image", "image": "https://raw.githubusercontent.com/ymcui/Chinese-LLaMA-Alpaca-3/refs/heads/main/pics/banner.png"},
        {"type": "text", "text": "请你描述一下这张图片。"},
    ],
}]

text = processor.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
image_inputs, video_inputs = process_vision_info(messages)
inputs = processor(
    text=[text], images=image_inputs, videos=video_inputs,
    padding=True, return_tensors="pt",
).to("cuda")

generated_ids = model.generate(**inputs, max_new_tokens=512)
generated_ids_trimmed = [out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)]
output_text = processor.batch_decode(generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False)
print(output_text[0])

応答

この画像には、「中文LLaMA & Alpaca大模型」と「Chinese LLaMA & Alpaca Large Language Models」という、中国語と英語のロゴが表示されています。ロゴの左側には、赤いスカーフをしたアルパカと白い毛のアルパカの2つのキャラクターがいます。背景は緑の草原と赤い屋根の建物です。ロゴの右側には数字の3と、いくつかの回路パターンがあります。全体的なデザインはシンプルで明瞭で、明るい色と可愛いキャラクターを使って注目を集めています。