Qwen3 235B A22B FP8 Dynamic

🚀 Qwen3-235B-A22B-FP8-dynamic

このプロジェクトは、Qwen3-235B-A22BモデルをFP8量子化したバージョンです。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ることができ、推論や関数呼び出しなどのさまざまな自然言語処理シーンで使用できます。

🚀 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。サンプルコードは次の通りです。

from vllm import LLM, SamplingParams
from transformers import AutoTokenizer

model_id = "RedHatAI/Qwen3-235B-A22B-FP8-dynamic"
number_gpus = 4
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互換のサービス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

• モデルアーキテクチャ：Qwen3MoeForCausalLM。入力と出力はどちらもテキストです。
• モデル最適化：アクティベーションと重みをFP8量子化することで、GPUメモリの要件を約50％削減し、行列乗算の計算スループットを約2倍に向上させ、同時にディスクサイズの要件も約50％削減します。
• 想定されるユースケース：推論、関数呼び出し、微調整による専門家向けサービス、多言語命令追従、翻訳など。
• 適用範囲：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は禁止されています。
• 公開日：2025年5月5日
• バージョン：1.0
• モデル開発者：RedHat (Neural Magic)

モデル最適化の詳細

このモデルは、Qwen3-235B-A22B のアクティベーションと重みをFP8データ型に量子化することで得られました。Transformerブロック内の線形演算子の重みとアクティベーションのみを量子化し、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、アクティベーション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。

💻 使用例

基本的な使用法

from vllm import LLM, SamplingParams
from transformers import AutoTokenizer

model_id = "RedHatAI/Qwen3-235B-A22B-FP8-dynamic"
number_gpus = 4
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

モデルの作成

from llmcompressor.modifiers.quantization import QuantizationModifier
from llmcompressor.transformers import oneshot
from transformers import AutoModelForCausalLM, AutoTokenizer

# Load model
model_stub = "Qwen/Qwen3-235B-A22B"
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}")

モデルの評価

このモデルは、OpenLLMランキングタスク（バージョン1）で評価されました。lm-evaluation-harness と vLLM を使用しています。

lm_eval \
  --model vllm \
  --model_args pretrained="RedHatAI/Qwen3-235B-A22B-FP8-dynamic",dtype=auto,gpu_memory_utilization=0.5,max_model_len=8192,enable_chunk_prefill=True,tensor_parallel_size=4 \
  --tasks openllm \
  --apply_chat_template\
  --fewshot_as_multiturn \
  --batch_size auto

正解率

📄 ライセンス

このプロジェクトは、Apache-2.0ライセンスの下で提供されています。