Qwen2.5 VL 7B Instruct FP8 Dynamic

🚀 Qwen2.5-VL-7B-Instruct-FP8-Dynamic

このモデルは、Qwen/Qwen2.5-VL-7B-Instruct をFP8データ型に量子化したもので、vLLM >= 0.5.2 での推論に対応しています。画像とテキストを入力とし、テキストを出力するマルチモーダルモデルです。

🚀 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。以下の例を参照してください。

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

# prepare model
llm = LLM(
    model="neuralmagic/Qwen2.5-VL-7B-Instruct-FP8-Dynamic",
    trust_remote_code=True,
    max_model_len=4096,
    max_num_seqs=2,
)

# prepare inputs
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")
    },
}

# generate response
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: Qwen2.5-VL-7B-Instruct
  • 入力: 画像とテキスト
  • 出力: テキスト
• モデル最適化:
  • 重み量子化: FP8
  • 活性化量子化: FP8
• リリース日: 2025年2月24日
• バージョン: 1.0
• モデル開発者: Neural Magic

📦 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。以下のコマンドを使用して、vLLMをインストールできます。

pip install vllm

💻 使用例

基本的な使用法

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

# prepare model
llm = LLM(
    model="neuralmagic/Qwen2.5-VL-7B-Instruct-FP8-Dynamic",
    trust_remote_code=True,
    max_model_len=4096,
    max_num_seqs=2,
)

# prepare inputs
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")
    },
}

# generate response
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("==========================================")

高度な使用法

高度なシナリオでは、モデルのパラメータや入力を調整することができます。例えば、max_model_len や max_num_seqs を変更して、モデルの性能を最適化できます。

# 高度なシナリオでは、モデルのパラメータや入力を調整することができます。
from vllm.assets.image import ImageAsset
from vllm import LLM, SamplingParams

# prepare model
llm = LLM(
    model="neuralmagic/Qwen2.5-VL-7B-Instruct-FP8-Dynamic",
    trust_remote_code=True,
    max_model_len=8192,  # モデルの最大長を増やす
    max_num_seqs=4,  # 同時に処理できるシーケンス数を増やす
)

# prepare inputs
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")
    },
}

# generate response
print("========== SAMPLE GENERATION ==============")
outputs = llm.generate(inputs, SamplingParams(temperature=0.2, max_tokens=128))  # 生成トークン数を増やす
print(f"PROMPT  : {outputs[0].prompt}")
print(f"RESPONSE: {outputs[0].outputs[0].text}")
print("==========================================")

📚 ドキュメント

モデルの作成

このモデルは、llm-compressor を使用して作成されました。以下のコードスニペットを参照してください。

import requests
import torch
from PIL import Image
from transformers import AutoProcessor
from llmcompressor.transformers import oneshot
from llmcompressor.transformers.tracing import (
    TraceableQwen2_5_VLForConditionalGeneration,
)
from llmcompressor.modifiers.quantization import QuantizationModifier

# Load model.
model_id = Qwen/Qwen2.5-VL-7B-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)

# Recipe
recipe = [
    QuantizationModifier(
        targets="Linear",
        scheme="FP8_DYNAMIC",
        sequential_targets=["MistralDecoderLayer"],
        ignore=["re:.*lm_head", "re:vision_tower.*", "re:multi_modal_projector.*"],
    ),
]

SAVE_DIR=f"{model_id.split('/')[1]}-FP8-Dynamic"

# Perform oneshot
oneshot(
    model=model,
    recipe=recipe,
    trust_remote_code_model=True,
    output_dir=SAVE_DIR
)

評価

このモデルは、mistral-evals を使用してビジョン関連のタスクを評価し、lm_evaluation_harness を使用して選択されたテキストベースのベンチマークを評価しました。評価は以下のコマンドを使用して行われました。

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

精度

推論性能

このモデルは、シングルストリームデプロイで最大1.3倍、マルチストリームデプロイで最大1.37倍の高速化を実現します。これは、ハードウェアと使用シナリオによって異なります。以下のパフォーマンスベンチマークは、vLLM バージョン0.7.2と GuideLLM を使用して行われました。

シングルストリーム性能 (vLLMバージョン0.7.2で測定)

**使用ケースプロファイル: 画像サイズ (WxH) / プロンプトトークン / 生成トークン

**QPD: 1ドルあたりのクエリ数、Lambda Labs のオンデマンドコストに基づく (2025年2月18日に観測)

マルチストリーム非同期性能 (vLLMバージョン0.7.2で測定)

**使用ケースプロファイル: 画像サイズ (WxH) / プロンプトトークン / 生成トークン

**QPS: 1秒あたりのクエリ数

**QPD: 1ドルあたりのクエリ数、Lambda Labs のオンデマンドコストに基づく (2025年2月18日に観測)

📄 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。