Qwen3 30B A3B FP8 Dynamic

🚀 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

# 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

📄 许可证

本项目采用 Apache-2.0 许可证。