Mistral Small 24B Instruct 2501 Quantized.w8a8

🚀 Mistral-Small-24B-Instruct-2501量化模型（w8a8）

本項目提供了經過量化處理的Mistral-Small-24B-Instruct-2501模型，通過優化顯著降低了GPU內存需求並提高了計算吞吐量，適用於多種自然語言處理場景。

語言支持

支持以下語言：

• 英語、法語、德語、西班牙語、葡萄牙語、意大利語、日語、韓語、俄語、中文、阿拉伯語、波斯語、印尼語、馬來語、尼泊爾語、波蘭語、羅馬尼亞語、塞爾維亞語、瑞典語、土耳其語、烏克蘭語、越南語、印地語、孟加拉語

許可證

採用Apache-2.0許可證。

庫名稱

vllm

基礎模型

• mistralai/Mistral-Small-24B-Instruct-2501

任務類型

圖像文本到文本

標籤

• neuralmagic、redhat、llmcompressor、quantized、int8

🚀 快速開始

本模型可使用 vLLM 後端高效部署，以下是示例代碼：

from vllm import LLM, SamplingParams
from transformers import AutoProcessor

model_id = "RedHatAI/Mistral-Small-24B-Instruct-2501-FP8-quantized.w8a8"
number_gpus = 1

sampling_params = SamplingParams(temperature=0.7, top_p=0.8, max_tokens=256)
processor = AutoProcessor.from_pretrained(model_id)

messages = [{"role": "user", "content": "Give me a short introduction to large language model."}]

prompts = processor.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，更多詳情請參閱 文檔。

✨ 主要特性

模型概述

• 模型架構：Mistral3ForConditionalGeneration
  • 輸入：文本/圖像
  • 輸出：文本
• 模型優化：
  • 激活量化：INT8
  • 權重量化：INT8
• 預期用例：
  • 快速響應的對話代理。
  • 低延遲的函數調用。
  • 通過微調實現特定領域的專家知識。
  • 適用於處理敏感數據的愛好者和組織的本地推理。
  • 編程和數學推理。
  • 長文檔理解。
  • 視覺理解。
• 不適用場景：以任何違反適用法律法規（包括貿易合規法律）的方式使用。在模型未正式支持的語言環境中使用。
• 發佈日期：2025 年 3 月 3 日
• 版本：1.0
• 模型開發者：Red Hat (Neural Magic)

模型優化細節

本模型通過將 Mistral-Small-24B-Instruct-2501 的激活和權重量化為 INT8 數據類型而獲得。這種優化將表示權重和激活所需的位數從 16 位減少到 8 位，從而減少了 GPU 內存需求（約 50%）並提高了矩陣乘法的計算吞吐量（約 2 倍）。權重量化還將磁盤空間需求減少了約 50%。

僅對 Transformer 塊內線性算子的權重和激活進行量化。權重採用對稱靜態逐通道方案進行量化，而激活採用對稱動態逐令牌方案進行量化。量化過程應用了 SmoothQuant 和 GPTQ 算法的組合，具體實現於 llm-compressor 庫中。

📦 安裝指南

在 Red Hat AI 推理服務器上部署

podman run --rm -it --device nvidia.com/gpu=all -p 8000:8000 \
 --ipc=host \
--env "HUGGING_FACE_HUB_TOKEN=$HF_TOKEN" \
--env "HF_HUB_OFFLINE=0" -v ~/.cache/vllm:/home/vllm/.cache \
--name=vllm \
registry.access.redhat.com/rhaiis/rh-vllm-cuda \
vllm serve \
--tensor-parallel-size 8 \
--max-model-len 32768  \
--enforce-eager --model RedHatAI/Mistral-Small-24B-Instruct-2501-quantized.w8a8

更多詳情請參閱 Red Hat AI 推理服務器文檔。

在 Red Hat Enterprise Linux AI 上部署

# 從 Red Hat 註冊表通過 docker 下載模型
# 注意：除非指定 --model-dir，否則模型將下載到 ~/.cache/instructlab/models
ilab model download --repository docker://registry.redhat.io/rhelai1/mistral-small-24b-instruct-2501-quantized-w8a8:1.5

# 通過 ilab 服務模型
ilab model serve --model-path ~/.cache/instructlab/models/mistral-small-24b-instruct-2501-quantized-w8a8

# 與模型進行對話
ilab model chat --model ~/.cache/instructlab/models/mistral-small-24b-instruct-2501-quantized-w8a8

更多詳情請參閱 Red Hat Enterprise Linux AI 文檔。

在 Red Hat Openshift AI 上部署

# 使用 ServingRuntime 設置 vllm 服務器
# 保存為: vllm-servingruntime.yaml
apiVersion: serving.kserve.io/v1alpha1
kind: ServingRuntime
metadata:
 name: vllm-cuda-runtime # 可選更改: 設置唯一名稱
 annotations:
   openshift.io/display-name: vLLM NVIDIA GPU ServingRuntime for KServe
   opendatahub.io/recommended-accelerators: '["nvidia.com/gpu"]'
 labels:
   opendatahub.io/dashboard: 'true'
spec:
 annotations:
   prometheus.io/port: '8080'
   prometheus.io/path: '/metrics'
 multiModel: false
 supportedModelFormats:
   - autoSelect: true
     name: vLLM
 containers:
   - name: kserve-container
     image: quay.io/modh/vllm:rhoai-2.20-cuda # 如有需要更改。如果是 AMD: quay.io/modh/vllm:rhoai-2.20-rocm
     command:
       - python
       - -m
       - vllm.entrypoints.openai.api_server
     args:
       - "--port=8080"
       - "--model=/mnt/models"
       - "--served-model-name={{.Name}}"
     env:
       - name: HF_HOME
         value: /tmp/hf_home
     ports:
       - containerPort: 8080
         protocol: TCP

# 將模型附加到 vllm 服務器。這是一個 NVIDIA 模板
# 保存為: inferenceservice.yaml
apiVersion: serving.kserve.io/v1beta1
kind: InferenceService
metadata:
  annotations:
    openshift.io/display-name: mistral-small-24b-instruct-2501-quantized-w8a8 # 可選更改
    serving.kserve.io/deploymentMode: RawDeployment
  name: mistral-small-24b-instruct-2501-quantized-w8a8         # 指定模型名稱。此值將用於在有效負載中調用模型
  labels:
    opendatahub.io/dashboard: 'true'
spec:
  predictor:
    maxReplicas: 1
    minReplicas: 1
    model:
      modelFormat:
        name: vLLM
      name: ''
      resources:
        limits:
          cpu: '2'			# 這是特定於模型的
          memory: 8Gi		# 這是特定於模型的
          nvidia.com/gpu: '1'	# 這是特定於加速器的
        requests:			# 此塊同樣適用
          cpu: '1'
          memory: 4Gi
          nvidia.com/gpu: '1'
      runtime: vllm-cuda-runtime	# 必須與上面的 ServingRuntime 名稱匹配
      storageUri: oci://registry.redhat.io/rhelai1/modelcar-mistral-small-24b-instruct-2501-quantized-w8a8:1.5
    tolerations:
    - effect: NoSchedule
      key: nvidia.com/gpu
      operator: Exists

# 確保首先進入要部署模型的項目
# oc project <項目名稱>

# 應用兩個資源以運行模型

# 應用 ServingRuntime
oc apply -f vllm-servingruntime.yaml

# 應用 InferenceService
oc apply -f qwen-inferenceservice.yaml

# 替換下面的 <推理服務名稱> 和 <集群入口域名>:
# - 如果不確定，請運行 `oc get inferenceservice` 查找 URL。

# 使用 curl 調用服務器:
curl https://<推理服務名稱>-predictor-default.<域名>/v1/chat/completions
        -H "Content-Type: application/json" \
        -d '{
    "model": "mistral-small-24b-instruct-2501-quantized-w8a8",
    "stream": true,
    "stream_options": {
        "include_usage": true
    },
    "max_tokens": 1,
    "messages": [
        {
            "role": "user",
            "content": "How can a bee fly when its wings are so small?"
        }
    ]
}'

更多詳情請參閱 Red Hat Openshift AI 文檔。

🔧 技術細節

模型創建

本模型使用 llm-compressor 創建，以下是創建代碼：

from transformers import AutoTokenizer, AutoModelForCausalLM
from llmcompressor.modifiers.quantization import GPTQModifier
from llmcompressor.modifiers.smoothquant import SmoothQuantModifier
from llmcompressor.transformers import oneshot
from datasets import load_dataset

# 加載模型
model_stub = "mistralai/Mistral-Small-24B-Instruct-2501"
model_name = model_stub.split("/")[-1]

num_samples = 1024
max_seq_len = 8192

tokenizer = AutoTokenizer.from_pretrained(model_stub)

model = AutoModelForCausalLM.from_pretrained(
    model_stub,
    device_map="auto",
    torch_dtype="auto",
)

# 數據處理
def preprocess_text(example):
    text = tokenizer.apply_chat_template(example["messages"], tokenize=False, add_generation_prompt=False)
    return tokenizer(text, padding=False, max_length=max_seq_len, truncation=True)

ds = load_dataset("neuralmagic/calibration", name="LLM", split="train").select(range(num_samples))
ds = ds.map(preprocess_text, remove_columns=ds.column_names)

# 配置量化算法和方案
recipe = [
    SmoothQuantModifier(
        smoothing_strength=0.9,
        mappings=[
            [["re:.*q_proj", "re:.*k_proj", "re:.*v_proj"], "re:.*input_layernorm"],
            [["re:.*gate_proj", "re:.*up_proj"], "re:.*post_attention_layernorm"],
            [["re:.*down_proj"], "re:.*up_proj"],
        ],
    ),
    GPTQModifier(
        ignore=["lm_head"],
        sequential_targets=["MistralDecoderLayer"],
        dampening_frac=0.1,
        targets="Linear",
        scheme="W8A8",
    ),
]

# 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.w8a8"
model.save_pretrained(save_path)
processor.save_pretrained(save_path)
print(f"模型和分詞器保存到: {save_path}")

模型評估

本模型在 OpenLLM 排行榜 V1 和 V2 上進行了評估，使用以下命令：

OpenLLM 排行榜 V1

lm_eval \
  --model vllm \
  --model_args pretrained="neuralmagic/Mistral-Small-24B-Instruct-2501-FP8-Dynamic",dtype=auto,add_bos_token=True,max_model_len=4096,tensor_parallel_size=1,gpu_memory_utilization=0.8,enable_chunked_prefill=True,trust_remote_code=True \
  --tasks openllm \
  --write_out \
  --batch_size auto \
  --output_path output_dir \
  --show_config

OpenLLM 排行榜 V2

lm_eval \
  --model vllm \
  --model_args pretrained="neuralmagic/Mistral-Small-24B-Instruct-2501-FP8-Dynamic",dtype=auto,add_bos_token=False,max_model_len=4096,tensor_parallel_size=1,gpu_memory_utilization=0.8,enable_chunked_prefill=True,trust_remote_code=True \
  --apply_chat_template \
  --fewshot_as_multiturn \
  --tasks leaderboard \
  --write_out \
  --batch_size auto \
  --output_path output_dir \
  --show_config

準確率

OpenLLM 排行榜 V1 評估得分

📄 許可證

本項目採用 Apache-2.0 許可證。