Qwen2.5 VL 3B Instruct Quantized.w4a16

🚀 Qwen2.5-VL-3B-Instruct量化版本w4a16

本項目是Qwen/Qwen2.5-VL-3B-Instruct的量化版本，通過對模型權重和激活值進行量化，在保持一定精度的同時，顯著提升了推理速度和效率，適用於視覺-文本多模態任務。

🚀 快速開始

本模型可以使用 vLLM 後端進行高效部署，示例代碼如下：

from vllm.assets.image import ImageAsset
from vllm import LLM, SamplingParams

# 準備模型
llm = LLM(
    model="neuralmagic/Qwen2.5-VL-3B-Instruct-quantized.w4a16",
    trust_remote_code=True,
    max_model_len=4096,
    max_num_seqs=2,
)

# 準備輸入
question = "What is the content of this image?"
inputs = {
    "prompt": f"<|user|>\n<|image_1|>\n{question}<|end|>\n<|assistant|>\n",
    "multi_modal_data": {
        "image": ImageAsset("cherry_blossom").pil_image.convert("RGB")
    },
}

# 生成響應
print("========== SAMPLE GENERATION ==============")
outputs = llm.generate(inputs, SamplingParams(temperature=0.2, max_tokens=64))
print(f"PROMPT  : {outputs[0].prompt}")
print(f"RESPONSE: {outputs[0].outputs[0].text}")
print("==========================================")

vLLM 還支持兼容 OpenAI 的服務，更多詳細信息請參閱 文檔。

✨ 主要特性

• 模型架構：基於 Qwen/Qwen2.5-VL-3B-Instruct 架構，支持視覺-文本輸入，輸出文本內容。
• 模型優化：
  • 權重量化：採用 INT4 量化，減少模型存儲和計算量。
  • 激活值量化：使用 FP16 量化，在保證精度的同時提升計算效率。
• 發佈日期：2025 年 2 月 24 日
• 版本：1.0
• 模型開發者：Neural Magic

📦 安裝指南

文檔未提及具體安裝步驟，可參考 vLLM 官方文檔進行安裝。

💻 使用示例

基礎用法

from vllm.assets.image import ImageAsset
from vllm import LLM, SamplingParams

# 準備模型
llm = LLM(
    model="neuralmagic/Qwen2.5-VL-3B-Instruct-quantized.w4a16",
    trust_remote_code=True,
    max_model_len=4096,
    max_num_seqs=2,
)

# 準備輸入
question = "What is the content of this image?"
inputs = {
    "prompt": f"<|user|>\n<|image_1|>\n{question}<|end|>\n<|assistant|>\n",
    "multi_modal_data": {
        "image": ImageAsset("cherry_blossom").pil_image.convert("RGB")
    },
}

# 生成響應
print("========== SAMPLE GENERATION ==============")
outputs = llm.generate(inputs, SamplingParams(temperature=0.2, max_tokens=64))
print(f"PROMPT  : {outputs[0].prompt}")
print(f"RESPONSE: {outputs[0].outputs[0].text}")
print("==========================================")

高級用法

# 本模型的創建代碼示例，使用 llm-compressor 進行量化
import base64
from io import BytesIO
import torch
from datasets import load_dataset
from qwen_vl_utils import process_vision_info
from transformers import AutoProcessor
from llmcompressor.modifiers.quantization import GPTQModifier
from llmcompressor.transformers import oneshot
from llmcompressor.transformers.tracing import (
    TraceableQwen2_5_VLForConditionalGeneration,
)
from compressed_tensors.quantization import QuantizationArgs, QuantizationType, QuantizationStrategy, ActivationOrdering, QuantizationScheme

# 加載模型
model_id = "Qwen/Qwen2.5-VL-3B-Instruct"

model = TraceableQwen2_5_VLForConditionalGeneration.from_pretrained(
    model_id,
    device_map="auto",
    torch_dtype="auto",
)
processor = AutoProcessor.from_pretrained(model_id, trust_remote_code=True)

# 一次性量化參數
DATASET_ID = "lmms-lab/flickr30k"
DATASET_SPLIT = {"calibration": "test[:512]"}
NUM_CALIBRATION_SAMPLES = 512
MAX_SEQUENCE_LENGTH = 2048

# 加載數據集並預處理
ds = load_dataset(DATASET_ID, split=DATASET_SPLIT)
ds = ds.shuffle(seed=42)
dampening_frac=0.01

# 應用聊天模板並對輸入進行分詞
def preprocess_and_tokenize(example):
    # 預處理
    buffered = BytesIO()
    example["image"].save(buffered, format="PNG")
    encoded_image = base64.b64encode(buffered.getvalue())
    encoded_image_text = encoded_image.decode("utf-8")
    base64_qwen = f"data:image;base64,{encoded_image_text}"
    messages = [
        {
            "role": "user",
            "content": [
                {"type": "image", "image": base64_qwen},
                {"type": "text", "text": "What does the image show?"},
            ],
        }
    ]
    text = processor.apply_chat_template(
        messages, tokenize=False, add_generation_prompt=True
    )
    image_inputs, video_inputs = process_vision_info(messages)

    # 分詞
    return processor(
        text=[text],
        images=image_inputs,
        videos=video_inputs,
        padding=False,
        max_length=MAX_SEQUENCE_LENGTH,
        truncation=True,
    )
ds = ds.map(preprocess_and_tokenize, remove_columns=ds["calibration"].column_names)

# 定義用於多模態輸入的一次性數據整理器
def data_collator(batch):
    assert len(batch) == 1
    return {key: torch.tensor(value) for key, value in batch[0].items()}

recipe = GPTQModifier(
    targets="Linear",
    config_groups={
        "config_group": QuantizationScheme(
            targets=["Linear"],
            weights=QuantizationArgs(
                num_bits=4,
                type=QuantizationType.INT,
                strategy=QuantizationStrategy.GROUP,
                group_size=128,
                symmetric=True,
                dynamic=False,
                actorder=ActivationOrdering.WEIGHT,
            ),
        ),
    },
    sequential_targets=["Qwen2_5_VLDecoderLayer"],
    ignore=["lm_head", "re:visual.*"],
    update_size=NUM_CALIBRATION_SAMPLES,
    dampening_frac=dampening_frac
)

SAVE_DIR=f"{model_id.split('/')[1]}-quantized.w4a16"

# 執行一次性量化
oneshot(
    model=model,
    tokenizer=model_id,
    dataset=ds,
    recipe=recipe,
    max_seq_length=MAX_SEQUENCE_LENGTH,
    num_calibration_samples=NUM_CALIBRATION_SAMPLES,
    trust_remote_code_model=True,
    data_collator=data_collator,
    output_dir=SAVE_DIR
)

📚 詳細文檔

評估

本模型使用 mistral-evals 進行視覺相關任務的評估，使用 lm_evaluation_harness 進行部分基於文本的基準測試。評估使用以下命令進行：

vllm serve neuralmagic/pixtral-12b-quantized.w8a8 --tensor_parallel_size 1 --max_model_len 25000 --trust_remote_code --max_num_seqs 8 --gpu_memory_utilization 0.9 --dtype float16 --limit_mm_per_prompt image=7

python -m eval.run eval_vllm \
        --model_name neuralmagic/pixtral-12b-quantized.w8a8 \
        --url http://0.0.0.0:8000 \
        --output_dir ~/tmp \
        --eval_name <vision_task_name>

lm_eval \
  --model vllm \
  --model_args pretrained="<model_name>",dtype=auto,add_bos_token=True,max_model_len=4096,tensor_parallel_size=<n>,gpu_memory_utilization=0.8,enable_chunked_prefill=True,trust_remote_code=True \
  --tasks mmlu \
  --num_fewshot 5 \
  --batch_size auto \
  --output_path output_dir

lm_eval \
  --model vllm \
  --model_args pretrained="<model_name>",dtype=auto,max_model_len=4096,max_gen_toks=2048,max_num_seqs=128,tensor_parallel_size=<n>,gpu_memory_utilization=0.9 \
  --tasks mgsm_cot_native \
  --apply_chat_template \
  --num_fewshot 0 \
  --batch_size auto \
  --output_path output_dir

準確率

推理性能

本模型在單流部署中可實現高達 1.73 倍的加速，在多流異步部署中可實現高達 3.87 倍的加速，具體取決於硬件和使用場景。以下性能基準測試使用 vLLM 版本 0.7.2 和 GuideLLM 進行。

單流性能（使用 vLLM 版本 0.7.2 測量）

使用場景配置文件：圖像尺寸 (WxH) / 提示詞令牌 / 生成令牌

QPD：每美元查詢數，基於 Lambda Labs 的按需成本（2025 年 2 月 18 日觀察）。

多流異步性能（使用 vLLM 版本 0.7.2 測量）

使用場景配置文件：圖像尺寸 (WxH) / 提示詞令牌 / 生成令牌

QPS：每秒查詢數。

QPD：每美元查詢數，基於 Lambda Labs 的按需成本（2025 年 2 月 18 日觀察）。

📄 許可證

本項目採用 Apache-2.0 許可證。