Qwen2.5 VL 72B Instruct Quantized.w4a16
Qwen2.5-VL-72B-InstructのINT4重み量子化バージョンで、ビジュアル - テキスト入力とテキスト出力をサポートし、vLLMにより高効率推論を実現します。
Downloads 1,328
Release Time : 2/7/2025
Model Overview
これは72Bパラメータのマルチモーダル大規模言語モデルの量子化バージョンで、ビジュアルとテキスト入力をサポートし、高効率推論用に最適化されています。
Model Features
高効率量子化
重みをINT4データ型に量子化し、活性化をFP16に量子化することで、計算リソースの要件を大幅に削減します。
マルチモーダルサポート
ビジュアルとテキスト入力を同時に処理し、テキスト応答を出力します。
高性能推論
vLLMにより高効率デプロイを実現し、単一流デプロイで3.95倍の加速、多流非同期デプロイで6.6倍の加速が可能です。
高精度維持
量子化後のモデルは、ビジュアルタスクで平均99.51%の元の精度を維持します。
Model Capabilities
画像内容理解
ビジュアルクイズアンサー
ドキュメント分析
グラフ理解
数学ビジュアル推論
多言語テキスト生成
Use Cases
ビジュアルクイズアンサー
画像内容記述
画像内容を分析し、記述的なテキストを生成します。
VQAv2検証セットで81.87%の正解率を達成しました。
ドキュメント理解
ドキュメント画像を解析し、関連する質問に回答します。
DocVQA検証セットで94.72%のANLSスコアを達成しました。
ビジュアル推論
数学ビジュアル問題解決
数学公式とグラフを含む問題を解決します。
Mathvistaテストミニセットで77.68%の正解率を達成しました。
グラフ分析
グラフデータを解釈し、関連する質問に回答します。
ChartQAテストセットで88.96%の正解率を達成しました。
🚀 Qwen2.5-VL-72B-Instruct-quantized-w4a16
Qwen/Qwen2.5-VL-72B-Instructを量子化したバージョンで、vLLM >= 0.5.2での推論に最適化されています。
🚀 クイックスタート
このモデルは、Qwen/Qwen2.5-VL-72B-Instruct の重みをINT4データ型に量子化することで得られ、vLLM >= 0.5.2での推論に対応しています。以下のセクションでは、モデルの概要、デプロイ方法、作成方法、評価方法、推論性能について説明します。
✨ 主な機能
- モデルアーキテクチャ: Qwen/Qwen2.5-VL-72B-Instructをベースにしています。
- 入力: ビジョンとテキスト
- 出力: テキスト
- モデル最適化:
- 重み量子化: INT4
- 活性化量子化: FP16
- 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。以下は使用例です。
from vllm.assets.image import ImageAsset
from vllm import LLM, SamplingParams
# prepare model
llm = LLM(
model="neuralmagic/Qwen2.5-VL-72B-Instruct-quantized.w4a16",
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。
💻 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-72B-Instruct-quantized.w4a16",
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。以下はその一例です。
# 高度なシナリオでのモデルのパラメータや入力の調整
# ここでは省略されたコードをそのまま表示
from vllm.assets.image import ImageAsset
from vllm import LLM, SamplingParams
# prepare model
llm = LLM(
model="neuralmagic/Qwen2.5-VL-72B-Instruct-quantized.w4a16",
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("==========================================")
📚 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実行することで、マルチモーダルなアナウンスブログの一部としてモデルを作成できます。
モデル作成コード
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
# Load model.
model_id = "Qwen/Qwen2.5-VL-72B-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)
# Oneshot arguments
DATASET_ID = "lmms-lab/flickr30k"
DATASET_SPLIT = {"calibration": "test[:512]"}
NUM_CALIBRATION_SAMPLES = 512
MAX_SEQUENCE_LENGTH = 2048
# Load dataset and preprocess.
ds = load_dataset(DATASET_ID, split=DATASET_SPLIT)
ds = ds.shuffle(seed=42)
dampening_frac=0.01
# Apply chat template and tokenize inputs.
def preprocess_and_tokenize(example):
# preprocess
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)
# tokenize
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)
# Define a oneshot data collator for multimodal inputs.
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"
# Perform oneshot
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
)
モデルの評価
このモデルは、ビジョン関連のタスクには mistral-evals を、選択されたテキストベースのベンチマークには lm_evaluation_harness を使用して評価されました。評価は以下のコマンドを使用して行われました。
評価コマンド
ビジョンタスク
- vqav2
- docvqa
- mathvista
- mmmu
- chartqa
vllm serve RedHatAI/Qwen2.5-VL-72B-Instruct-quantized.w4a16 --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 RedHatAI/Qwen2.5-VL-72B-Instruct-quantized.w4a16 \
--url http://0.0.0.0:8000 \
--output_dir ~/tmp \
--eval_name <vision_task_name>
テキストベースのタスク
MMLU
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
MGSM
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
カテゴリ | メトリック | Qwen/Qwen2.5-VL-72B-Instruct | neuralmagic/Qwen2.5-VL-72B-Instruct-quantized.w4a16 | 回復率 (%) |
---|---|---|---|---|
ビジョン | MMMU (val, CoT) explicit_prompt_relaxed_correctness |
64.33 | 62.89 | 97.76% |
ビジョン | VQAv2 (val) vqa_match |
81.94 | 81.87 | 99.91% |
ビジョン | DocVQA (val) anls |
94.71 | 94.72 | 100.01% |
ビジョン | ChartQA (test, CoT) anywhere_in_answer_relaxed_correctness |
88.96 | 88.96 | 100.00% |
ビジョン | Mathvista (testmini, CoT) explicit_prompt_relaxed_correctness |
78.18 | 77.68 | 99.36% |
ビジョン | 平均スコア | 81.62 | 81.22 | 99.51 |
テキスト | MGSM (CoT) | 75.45 | 75.13 | 99.58% |
テキスト | MMLU (5-shot) | 86.16 | 85.36 | 99.07% |
🔧 技術詳細
このモデルは、ビジョン関連のタスクとテキストベースのベンチマークに対応しており、量子化技術を用いて推論性能を向上させています。量子化により、モデルの重みをINT4データ型に変換し、メモリ使用量を削減し、推論速度を向上させています。
📄 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。詳細は ライセンスリンク を参照してください。
Clip Vit Large Patch14
CLIPはOpenAIによって開発された視覚-言語モデルで、コントラスティブラーニングを通じて画像とテキストを共有の埋め込み空間にマッピングし、ゼロショット画像分類をサポートします
画像生成テキスト
C
openai
44.7M
1,710
Clip Vit Base Patch32
CLIPはOpenAIが開発したマルチモーダルモデルで、画像とテキストの関係を理解し、ゼロショット画像分類タスクをサポートします。
画像生成テキスト
C
openai
14.0M
666
Siglip So400m Patch14 384
Apache-2.0
SigLIPはWebLiデータセットで事前学習された視覚言語モデルで、改良されたシグモイド損失関数を採用し、画像-テキストマッチングタスクを最適化しています。
画像生成テキスト
Transformers

S
google
6.1M
526
Clip Vit Base Patch16
CLIPはOpenAIが開発したマルチモーダルモデルで、コントラスティブラーニングにより画像とテキストを共有の埋め込み空間にマッピングし、ゼロショット画像分類能力を実現します。
画像生成テキスト
C
openai
4.6M
119
Blip Image Captioning Base
Bsd-3-clause
BLIPは先進的な視覚-言語事前学習モデルで、画像キャプション生成タスクに優れており、条件付きおよび無条件のテキスト生成をサポートします。
画像生成テキスト
Transformers

B
Salesforce
2.8M
688
Blip Image Captioning Large
Bsd-3-clause
BLIPは統一された視覚-言語事前学習フレームワークで、画像キャプション生成タスクに優れており、条件付きおよび無条件の画像キャプション生成をサポートします。
画像生成テキスト
Transformers

B
Salesforce
2.5M
1,312
Openvla 7b
MIT
OpenVLA 7BはOpen X-Embodimentデータセットでトレーニングされたオープンソースの視覚-言語-動作モデルで、言語命令とカメラ画像に基づいてロボットの動作を生成できます。
画像生成テキスト
Transformers English

O
openvla
1.7M
108
Llava V1.5 7b
LLaVAはオープンソースのマルチモーダルチャットボットで、LLaMA/Vicunaをファインチューニングし、画像とテキストのインタラクションをサポートします。
画像生成テキスト
Transformers

L
liuhaotian
1.4M
448
Vit Gpt2 Image Captioning
Apache-2.0
これはViTとGPT2アーキテクチャに基づく画像記述生成モデルで、入力画像に対して自然言語の記述を生成することができます。
画像生成テキスト
Transformers

V
nlpconnect
939.88k
887
Blip2 Opt 2.7b
MIT
BLIP-2は画像エンコーダーと大規模言語モデルを組み合わせた視覚言語モデルで、画像からテキストを生成するタスクに使用されます。
画像生成テキスト
Transformers English

B
Salesforce
867.78k
359
Featured Recommended AI Models
Llama 3 Typhoon V1.5x 8b Instruct
タイ語専用に設計された80億パラメータの命令モデルで、GPT-3.5-turboに匹敵する性能を持ち、アプリケーションシナリオ、検索拡張生成、制限付き生成、推論タスクを最適化
大規模言語モデル
Transformers Supports Multiple Languages

L
scb10x
3,269
16
Cadet Tiny
Openrail
Cadet-TinyはSODAデータセットでトレーニングされた超小型対話モデルで、エッジデバイス推論向けに設計されており、体積はCosmo-3Bモデルの約2%です。
対話システム
Transformers English

C
ToddGoldfarb
2,691
6
Roberta Base Chinese Extractive Qa
RoBERTaアーキテクチャに基づく中国語抽出型QAモデルで、与えられたテキストから回答を抽出するタスクに適しています。
質問応答システム Chinese
R
uer
2,694
98