Qwen3 32B FP8 Dynamic

🚀 Qwen3-32B-FP8-dynamic

本模型是對 Qwen3-32B 進行激活和權重量化至 FP8 數據類型得到的優化版本。它能減少 GPU 內存需求、提高矩陣乘法計算吞吐量，同時降低磁盤空間要求。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/Qwen3-32B-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 還支持與 OpenAI 兼容的服務，更多詳細信息請參閱 文檔。

✨ 主要特性

模型架構

• 輸入：文本
• 輸出：文本
• 模型架構類型：Qwen3ForCausalLM

模型優化

• 激活量化：FP8
• 權重量化：FP8

預期用例

• 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
• 翻譯

適用範圍外情況

禁止以任何違反適用法律法規（包括貿易合規法律）的方式使用。

發佈日期

2025 年 2 月 5 日

版本

1.0

模型開發者

RedHat (Neural Magic)

模型優化詳情

本模型通過將 Qwen3-32B 的激活和權重量化為 FP8 數據類型而獲得。這種優化將表示權重和激活所需的比特數從 16 位減少到 8 位，從而減少了 GPU 內存需求（約 50%），並提高了矩陣乘法計算吞吐量（約 2 倍）。權重量化還將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進行量化。權重採用對稱靜態每通道方案進行量化，而激活採用對稱動態每令牌方案進行量化。使用 llm-compressor 庫進行量化。

📦 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 import LLM, SamplingParams
from transformers import AutoTokenizer

model_id = "RedHatAI/Qwen3-32B-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)

高級用法

文檔未提及高級用法示例，暫不提供。

📚 詳細文檔

模型創建

本模型使用 llm-compressor 創建，代碼片段如下：

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

# Load model
model_stub = "Qwen/Qwen3-32B"
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

本模型在 OpenLLM 排行榜任務（版本 1 和 2）上進行了評估，使用 lm-evaluation-harness；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-evaluation-harness

lm_eval \
    --model vllm \
    --model_args pretrained="RedHatAI/Qwen3-32B-FP8-dynamic",dtype=auto,gpu_memory_utilization=0.5,max_model_len=8192,enable_chunk_prefill=True,tensor_parallel_size=2 \
    --tasks openllm \
    --apply_chat_template\
    --fewshot_as_multiturn \
    --batch_size auto

lm_eval \
    --model vllm \
    --model_args pretrained="RedHatAI/Qwen3-32B-FP8-dynamic",dtype=auto,gpu_memory_utilization=0.5,max_model_len=8192,enable_chunk_prefill=True,tensor_parallel_size=2 \
    --tasks mgsm \
    --apply_chat_template\
    --batch_size auto

lm_eval \
    --model vllm \
    --model_args pretrained="RedHatAI/Qwen3-32B-FP8-dynamic",dtype=auto,gpu_memory_utilization=0.5,max_model_len=16384,enable_chunk_prefill=True,tensor_parallel_size=2 \
    --tasks leaderboard \
    --apply_chat_template\
    --fewshot_as_multiturn \
    --batch_size auto

lighteval lighteval_model_arguments.yaml

model_parameters:
    model_name: RedHatAI/Qwen3-32B-FP8-dynamic
    dtype: auto
    gpu_memory_utilization: 0.9
    tensor_parallel_size: 2
    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

🔧 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。