🚀 Qwen3-30B-A3B-FP8-dynamic
本项目是对Qwen3-30B-A3B模型进行FP8量化后的版本,能够有效降低GPU内存需求,提高计算吞吐量,可用于推理、函数调用等多种自然语言处理任务。
🚀 快速开始
本模型可以使用 vLLM 后端进行高效部署,示例代码如下:
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 还支持兼容 OpenAI 的服务,更多详细信息请参阅 文档。
✨ 主要特性
- 模型架构:Qwen3MoeForCausalLM,输入和输出均为文本。
- 模型优化:对激活值和权重进行 FP8 量化,减少 GPU 内存需求(约 50%),提高矩阵乘法计算吞吐量(约 2 倍),同时磁盘大小需求也减少约 50%。
- 预期用例:适用于推理、函数调用、通过微调服务特定领域专家、多语言指令遵循和翻译等任务。
- 适用范围:不得用于任何违反适用法律法规(包括贸易合规法律)的方式。
- 发布日期:2025 年 5 月 5 日
- 版本:1.0
- 模型开发者:RedHat (Neural Magic)
📚 详细文档
模型优化
本模型是通过将 Qwen3-30B-A3B 的激活值和权重量化为 FP8 数据类型得到的。这种优化将表示权重和激活值的位数从 16 位减少到 8 位,从而降低了 GPU 内存需求(约 50%),并提高了矩阵乘法的计算吞吐量(约 2 倍)。权重量化还使磁盘大小需求减少了约 50%。
仅对 Transformer 块内线性算子的权重和激活值进行量化。权重采用对称静态逐通道方案进行量化,而激活值采用对称动态逐令牌方案进行量化。量化过程使用了 llm-compressor 库。
模型创建
本模型使用 llm-compressor 创建,具体代码如下:
from llmcompressor.modifiers.quantization import QuantizationModifier
from llmcompressor.transformers import oneshot
from transformers import AutoModelForCausalLM, AutoTokenizer
model_stub = "Qwen/Qwen3-30B-A3B"
model_name = model_stub.split("/")[-1]
model = AutoModelForCausalLM.from_pretrained(model_stub)
tokenizer = AutoTokenizer.from_pretrained(model_stub)
recipe = QuantizationModifier(
ignore=["lm_head"],
targets="Linear",
scheme="FP8_dynamic",
)
oneshot(
model=model,
recipe=recipe,
)
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}")
模型评估
该模型在 OpenLLM 排行榜任务(版本 1)上进行了评估,使用了 lm-evaluation-harness 和 vLLM。评估命令如下:
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
准确率
类别 |
基准测试 |
Qwen3-30B-A3B |
Qwen3-30B-A3B-FP8-dynamic(本模型) |
恢复率 |
OpenLLM v1 |
MMLU (5-shot) |
77.67 |
77.49 |
99.8% |
OpenLLM v1 |
ARC Challenge (25-shot) |
63.40 |
63.65 |
100.4% |
OpenLLM v1 |
GSM-8K (5-shot, strict-match) |
87.26 |
86.73 |
99.4% |
OpenLLM v1 |
Hellaswag (10-shot) |
54.33 |
54.33 |
100.0% |
OpenLLM v1 |
Winogrande (5-shot) |
66.77 |
66.30 |
99.3% |
OpenLLM v1 |
TruthfulQA (0-shot, mc2) |
56.27 |
56.88 |
101.1% |
OpenLLM v1 |
Average |
67.62 |
67.56 |
99.9% |
OpenLLM v2 |
MMLU-Pro (5-shot) |
47.45 |
48.40 |
102.0% |
OpenLLM v2 |
IFEval (0-shot) |
86.26 |
86.08 |
99.8% |
OpenLLM v2 |
BBH (3-shot) |
34.81 |
34.70 |
99.7% |
OpenLLM v2 |
Math-lvl-5 (4-shot) |
52.14 |
59.39 |
113.9% |
OpenLLM v2 |
GPQA (0-shot) |
0.31 |
0.90 |
--- |
OpenLLM v2 |
MuSR (0-shot) |
8.09 |
9.05 |
--- |
OpenLLM v2 |
Average |
38.18 |
39.75 |
104.1% |
Multilingual |
MGSM (0-shot) |
32.27 |
32.73 |
101.5% |
Reasoning (generation) |
AIME 2024 |
78.33 |
78.96 |
100.8% |
Reasoning (generation) |
AIME 2025 |
71.46 |
68.44 |
95.8% |
Reasoning (generation) |
GPQA diamond |
62.63 |
62.63 |
100.0% |
Reasoning (generation) |
Math-lvl-5 |
97.60 |
95.80 |
98.2% |
Reasoning (generation) |
LiveCodeBench |
60.66 |
60.89 |
100.4% |
📄 许可证
本项目采用 Apache-2.0 许可证。