Qwen3 32B Quantized.w4a16

🚀 Qwen3-32B量化模型（w4a16）

本項目基於Qwen3-32B模型進行量化處理，將權重量化為INT4數據類型，有效減少了磁盤空間和GPU內存需求，同時在多個基準測試中保持了較高的準確率。該模型可用於推理、函數調用、多語言指令跟隨等多種場景。

🚀 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/Qwen3-32B-quantized.w4a16"
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：採用 Qwen3ForCausalLM 架構，輸入和輸出均為文本。
• 模型優化：對 Transformer 塊內線性算子的權重進行量化，使用對稱分組方案（組大小為 128）和 GPTQ 算法，將權重量化為 INT4 數據類型，使磁盤大小和 GPU 內存需求降低約 75%。
• 適用場景：可用於推理、函數調用、通過微調服務特定領域專家、多語言指令跟隨和翻譯等場景。
• 發佈信息：於 2025 年 5 月 5 日發佈，版本為 1.0，由 RedHat（Neural Magic）開發。

🔧 技術細節

模型優化

本模型通過將 Qwen3-32B 的權重量化為 INT4 數據類型得到。這種優化將每個參數的位數從 16 位減少到 4 位，使磁盤大小和 GPU 內存需求降低約 75%。

僅對 Transformer 塊內線性算子的權重進行量化，權重使用對稱分組方案進行量化，組大小為 128。量化採用 GPTQ 算法，該算法在 llm-compressor 庫中實現。

模型創建

本模型使用 llm-compressor 創建，具體代碼如下：

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

# 加載模型
model_stub = "Qwen/Qwen3-32B"
model_name = model_stub.split("/")[-1]

num_samples = 1024
max_seq_len = 8192

model = AutoModelForCausalLM.from_pretrained(model_stub)

tokenizer = AutoTokenizer.from_pretrained(model_stub)

def preprocess_fn(example):
    return {"text": tokenizer.apply_chat_template(example["messages"], add_generation_prompt=False, tokenize=False)}

ds = load_dataset("neuralmagic/LLM_compression_calibration", split="train")
ds = ds.map(preprocess_fn)

# 配置量化算法和方案
recipe = GPTQModifier(
    ignore=["lm_head"],
    sequential_targets=["Qwen3DecoderLayer"],
    targets="Linear",
    scheme="W4A16",
    dampening_frac=0.1,
)

# 應用量化
oneshot(
    model=model,
    dataset=ds, 
    recipe=recipe,
    max_seq_length=max_seq_len,
    num_calibration_samples=num_samples,
)

# 以壓縮張量格式保存到磁盤
save_path = model_name + "-quantized.w4a16"
model.save_pretrained(save_path)
tokenizer.save_pretrained(save_path)
print(f"Model and tokenizer saved to: {save_path}")

模型評估

本模型在 OpenLLM 排行榜任務（版本 1 和 2）上使用 lm-evaluation-harness 進行評估，在推理任務上使用 lighteval 進行評估。所有評估均使用 vLLM。

評估詳情

lm_eval \
  --model vllm \
  --model_args pretrained="RedHatAI/Qwen3-32B-quantized.w4a16",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

lm_eval \
  --model vllm \
  --model_args pretrained="RedHatAI/Qwen3-32B-quantized.w4a16",dtype=auto,gpu_memory_utilization=0.5,max_model_len=8192,enable_chunk_prefill=True,tensor_parallel_size=1 \
  --tasks mgsm \
  --apply_chat_template\
  --batch_size auto

lm_eval \
  --model vllm \
  --model_args pretrained="RedHatAI/Qwen3-32B-quantized.w4a16",dtype=auto,gpu_memory_utilization=0.5,max_model_len=16384,enable_chunk_prefill=True,tensor_parallel_size=1 \
  --tasks leaderboard \
  --apply_chat_template\
  --fewshot_as_multiturn \
  --batch_size auto

model_parameters:
  model_name: RedHatAI/Qwen3-32B-quantized.w4a16
  dtype: auto
  gpu_memory_utilization: 0.9
  max_model_length: 40960
  generation_parameters:
    temperature: 0.6
    top_k: 20
    min_p: 0.0
    top_p: 0.95
    max_new_tokens: 32768

lighteval vllm \
  --model_args lighteval_model_arguments.yaml \
  --tasks lighteval|aime24|0|0 \
  --use_chat_template = true

lighteval vllm \
  --model_args lighteval_model_arguments.yaml \
  --tasks lighteval|aime25|0|0 \
  --use_chat_template = true

lighteval vllm \
  --model_args lighteval_model_arguments.yaml \
  --tasks lighteval|math_500|0|0 \
  --use_chat_template = true

lighteval vllm \
  --model_args lighteval_model_arguments.yaml \
  --tasks lighteval|gpqa:diamond|0|0 \
  --use_chat_template = true

lighteval vllm \
  --model_args lighteval_model_arguments.yaml \
  --tasks extended|lcb:codegeneration \
  --use_chat_template = true

準確率

📄 許可證

本項目採用 Apache-2.0 許可證。