Qwen3 30B A3B Quantized.w4a16

🚀 Qwen3-30B-A3B量化模型（w4a16）

本项目是对Qwen3-30B-A3B模型进行量化处理后的版本，通过将模型权重量化为INT4数据类型，有效减少了磁盘占用和GPU内存需求，同时在多个基准测试中保持了较高的准确率，可广泛应用于推理、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-quantized.w4a16"
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 还支持与 OpenAI 兼容的服务，更多详细信息请参阅 文档。

✨ 主要特性

• 模型架构：采用 Qwen3ForCausalLM 架构，输入和输出均为文本。
• 模型优化：对 Transformer 块内线性算子的权重进行量化，使用对称分组方案（组大小为 128）和 GPTQ 算法，将每个参数的位数从 16 位减少到 4 位，磁盘大小和 GPU 内存需求降低约 75%。
• 适用场景：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。
• 不适用场景：禁止以任何违反适用法律法规（包括贸易合规法律）的方式使用。

📦 安装指南

文档未提及安装步骤，暂不提供。

💻 使用示例

基础用法

from vllm import LLM, SamplingParams
from transformers import AutoTokenizer

model_id = "RedHatAI/Qwen3-30B-A3B-quantized.w4a16"
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)

高级用法

文档未提及高级用法示例，暂不提供。

📚 详细文档

模型创建

本模型使用 llm-compressor 创建，代码示例如下：

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

# 加载模型
model_stub = "Qwen/Qwen3-30B-A3B"
model_name = model_stub.split("/")[-1]

num_samples = 1024
max_seq_len = 8192

model = AutoModelForCausalLM.from_pretrained(model_stub)

tokenizer = AutoTokenizer.from_pretrained(model_stub)

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)

# 配置量化算法和方案
recipe = GPTQModifier(
    ignore: ["lm_head", "re:.*gate$"],
    sequential_targets=["Qwen3DecoderLayer"],
    targets="Linear",
    scheme="W4A16",
    dampening_frac=0.01,
)

# 应用量化
oneshot(
    model=model,
    dataset=ds, 
    recipe=recipe,
    max_seq_length=max_seq_len,
    num_calibration_samples=num_samples,
)

# 以压缩张量格式保存到磁盘
save_path = model_name + "-quantized.w4a16"
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 和 2）上使用 lm-evaluation-harness 进行评估，在推理任务上使用 lighteval 进行评估，所有评估均使用 vLLM。

lm-evaluation-harness 评估命令

lm_eval \
    --model vllm \
    --model_args pretrained="RedHatAI/Qwen3-30B-A3B-quantized.w4a16",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

lm_eval \
    --model vllm \
    --model_args pretrained="RedHatAI/Qwen3-30B-A3B-quantized.w4a16",dtype=auto,gpu_memory_utilization=0.5,max_model_len=8192,enable_chunk_prefill=True,tensor_parallel_size=1 \
    --tasks mgsm \
    --apply_chat_template \
    --batch_size auto

lm_eval \
    --model vllm \
    --model_args pretrained="RedHatAI/Qwen3-30B-A3B-quantized.w4a16",dtype=auto,gpu_memory_utilization=0.5,max_model_len=16384,enable_chunk_prefill=True,tensor_parallel_size=1 \
    --tasks leaderboard \
    --apply_chat_template \
    --fewshot_as_multiturn \
    --batch_size auto

lighteval 评估配置和命令

lighteval_model_arguments.yaml

model_parameters:
    model_name: RedHatAI/Qwen3-30B-A3B-quantized.w4a16
    dtype: auto
    gpu_memory_utilization: 0.9
    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

准确率

🔧 技术细节

本模型通过将 Qwen3-30B-A3B 的权重量化为 INT4 数据类型获得。仅对 Transformer 块内线性算子的权重进行量化，使用对称分组方案（组大小为 128），并应用 GPTQ 算法进行量化，该算法在 llm-compressor 库中实现。

📄 许可证

本项目采用 Apache-2.0 许可证。