Qwen2.5 7B Instruct Quantized.w8a8

🚀 Qwen2.5-7B-Instruct量化模型（w8a8）

本项目是对Qwen2.5-7B-Instruct模型进行量化处理后的版本，将权重和激活值量化为INT8数据类型，有效降低了GPU内存需求和磁盘空间占用，同时提升了计算吞吐量，可用于多语言的商业和研究场景。

🚀 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/Qwen2.5-7B-Instruct-quantized.w8a8"
number_gpus = 1
max_model_len = 8192

sampling_params = SamplingParams(temperature=0.7, top_p=0.8, max_tokens=256)

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, tokenize=False)

llm = LLM(model=model_id, tensor_parallel_size=number_gpus, max_model_len=max_model_len)

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：基于 Qwen2 架构，输入和输出均为文本。
• 模型优化：将 Qwen2.5-7B-Instruct 模型的激活值和权重量化为 INT8 数据类型，减少了 GPU 内存需求（约 50%），提高了矩阵乘法的计算吞吐量（约 2 倍），同时磁盘空间需求也减少了约 50%。
• 预期用例：适用于多语言的商业和研究用途，类似于 Qwen2.5-7B，可用于类似助手的聊天场景。
• 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。

📚 详细文档

模型优化

本模型是通过将 Qwen2.5-7B-Instruct 模型的激活值和权重量化为 INT8 数据类型得到的。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量化方案，激活值采用对称动态逐令牌量化方案。量化过程结合了 SmoothQuant 和 GPTQ 算法，具体实现使用了 llm-compressor 库。

模型创建

本模型使用 llm-compressor 创建，具体代码如下：

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

# Load model
model_stub = "Qwen/Qwen2.5-7B-Instruct"
model_name = model_stub.split("/")[-1]

num_samples = 512
max_seq_len = 8192

tokenizer = AutoTokenizer.from_pretrained(model_stub)

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

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)

# Configure the quantization algorithm and scheme
recipe = [
    SmoothQuantModifier(
        smoothing_strength=0.8,
        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=["Qwen2DecoderLayer"],
        dampening_frac=0.01,
        targets="Linear",
        scheme="W8A8",
    ),
]

# Apply quantization
oneshot(
    model=model,
    dataset=ds, 
    recipe=recipe,
    max_seq_length=max_seq_len,
    num_calibration_samples=num_samples,
)

# Save to disk in compressed-tensors format
save_path = model_name + "-quantized.w8a8"
model.save_pretrained(save_path)
tokenizer.save_pretrained(save_path)
print(f"Model and tokenizer saved to: {save_path}")

模型评估

本模型在 OpenLLM 排行榜任务（版本 1）上进行了评估，使用 lm-evaluation-harness（提交版本 387Bbd54bc621086e05aa1b030d8d4d5635b25e6）和 vLLM 引擎，评估命令如下：

lm_eval \
  --model vllm \
  --model_args pretrained="neuralmagic/Qwen2.5-7B-Instruct-quantized.w8a8",dtype=auto,gpu_memory_utilization=0.5,max_model_len=4096,add_bos_token=True,enable_chunk_prefill=True,tensor_parallel_size=1 \
  --tasks openllm \
  --batch_size auto

准确率

以下是在 Open LLM 排行榜上的评估得分：

🔧 技术细节

• 量化方案：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量化方案，激活值采用对称动态逐令牌量化方案。
• 量化算法：结合了 SmoothQuant 和 GPTQ 算法。

📄 许可证

本模型采用 Apache-2.0 许可证。