Qwen3 30B A3B FP8 Dynamic

🚀 Qwen3-30B-A3B-FP8-dynamic

本項目是對Qwen3-30B-A3B模型進行FP8量化後的版本，能夠有效降低GPU內存需求，提高計算吞吐量，可用於推理、函數調用等多種自然語言處理任務。

🚀 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 import LLM, SamplingParams
from transformers import AutoTokenizer

model_id = "RedHatAI/Qwen3-30B-A3B-FP8-dynamic"
number_gpus = 1
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 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：Qwen3MoeForCausalLM，輸入和輸出均為文本。
• 模型優化：對激活值和權重進行 FP8 量化，減少 GPU 內存需求（約 50%），提高矩陣乘法計算吞吐量（約 2 倍），同時磁盤大小需求也減少約 50%。
• 預期用例：適用於推理、函數調用、通過微調服務特定領域專家、多語言指令遵循和翻譯等任務。
• 適用範圍：不得用於任何違反適用法律法規（包括貿易合規法律）的方式。
• 發佈日期：2025 年 5 月 5 日
• 版本：1.0
• 模型開發者：RedHat (Neural Magic)

📚 詳細文檔

模型優化

本模型是通過將 Qwen3-30B-A3B 的激活值和權重量化為 FP8 數據類型得到的。這種優化將表示權重和激活值的位數從 16 位減少到 8 位，從而降低了 GPU 內存需求（約 50%），並提高了矩陣乘法的計算吞吐量（約 2 倍）。權重量化還使磁盤大小需求減少了約 50%。

僅對 Transformer 塊內線性算子的權重和激活值進行量化。權重採用對稱靜態逐通道方案進行量化，而激活值採用對稱動態逐令牌方案進行量化。量化過程使用了 llm-compressor 庫。

模型創建

本模型使用 llm-compressor 創建，具體代碼如下：

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

# Load model
model_stub = "Qwen/Qwen3-30B-A3B"
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}")

模型評估

該模型在 OpenLLM 排行榜任務（版本 1）上進行了評估，使用了 lm-evaluation-harness 和 vLLM。評估命令如下：

lm_eval \
    --model vllm \
    --model_args pretrained="RedHatAI/Qwen3-30B-A3B-FP8-dynamic",dtype=auto,gpu_memory_utilization=0.5,max_model_len=8192,enable_chunk_prefill=True,tensor_parallel_size=1 \
    --tasks openllm \
    --apply_chat_template\
    --fewshot_as_multiturn \
    --batch_size auto

準確率

📄 許可證

本項目採用 Apache-2.0 許可證。