Qwen2.5 VL 72B Instruct FP8 Dynamic

🚀 Qwen2.5-VL-72B-Instruct量化FP8動態模型

本項目是Qwen2.5-VL-72B-Instruct模型的量化版本，採用FP8數據類型進行權重和激活量化，可藉助vLLM高效部署，在推理性能上有顯著提升。

🚀 快速開始

本模型可使用 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-72B-Instruct-FP8-Dynamic",
    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 還支持與 OpenAI 兼容的服務，更多詳情請參閱 文檔。

✨ 主要特性

• 模型架構：基於 Qwen2.5-VL-72B-Instruct，支持視覺 - 文本輸入，輸出為文本。
• 模型優化：採用 FP8 進行權重和激活量化，提升推理效率。
• 推理性能：單流部署最高可達 1.79 倍加速，多流異步部署最高可達 1.84 倍加速。

📦 安裝指南

文檔未提及安裝步驟，暫不提供。

💻 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-72B-Instruct-FP8-Dynamic",
    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

文檔未提及高級用法代碼，暫不提供。

📚 詳細文檔

模型概述

• 模型架構：Qwen2.5-VL-72B-Instruct
  • 輸入：視覺 - 文本
  • 輸出：文本
• 模型優化：
  • 權重量化：FP8
  • 激活量化：FP8
• 發佈日期：2025 年 2 月 24 日
• 版本：1.0
• 模型開發者：Neural Magic

本模型是 Qwen/Qwen2.5-VL-72B-Instruct 的量化版本。

模型優化

本模型通過將 Qwen/Qwen2.5-VL-72B-Instruct 的權重量化為 FP8 數據類型獲得，可用於 vLLM >= 0.5.2 的推理。

模型創建

本模型使用 llm-compressor 創建，代碼如下：

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

# 加載模型
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)

# 配置
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"

# 執行一次性量化
oneshot(
    model=model,
    recipe=recipe,
    trust_remote_code_model=True,
    output_dir=SAVE_DIR
)

模型評估

本模型使用 mistral-evals 進行視覺相關任務評估，使用 lm_evaluation_harness 進行部分基於文本的基準測試。評估命令如下：

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最高可達 1.79 倍加速，在多流異步部署中最高可達 1.84 倍加速，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）

**用例配置文件：圖像尺寸 (寬x高) / 提示令牌 / 生成令牌

**QPD：每美元查詢次數，基於 Lambda Labs 的按需成本（2025 年 2 月 18 日觀測）。

多流異步性能（使用 vLLM 版本 0.7.2 測量）

**用例配置文件：圖像尺寸 (寬x高) / 提示令牌 / 生成令牌

**QPS：每秒查詢次數。

**QPD：每美元查詢次數，基於 Lambda Labs 的按需成本（2025 年 2 月 18 日觀測）。

🔧 技術細節

文檔未提及技術實現細節，暫不提供。

📄 許可證

本模型採用 Apache 2.0 許可證。