Qwen3 14B FP8 Dynamic

🚀 Qwen3-14B-FP8-dynamic

Qwen3-14B-FP8-dynamic 是一个经过优化的大语言模型，通过将激活值和权重量化为 FP8 数据类型，有效降低了 GPU 内存需求，提高了计算吞吐量。该模型适用于推理、函数调用、多语言指令跟随等多种场景。

🚀 快速开始

本模型可以使用 vLLM 后端进行高效部署，以下是一个示例代码：

from vllm import LLM, SamplingParams
from transformers import AutoTokenizer

model_id = "RedHatAI/Qwen3-14B-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：
  • 激活值量化：采用 FP8 数据类型。
  • 权重量化：采用 FP8 数据类型。
  • 优化效果：将表示权重和激活值的比特数从 16 位减少到 8 位，降低了约 50% 的 GPU 内存需求，提高了约 2 倍的矩阵乘法计算吞吐量，同时也将磁盘空间需求降低了约 50%。
• 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、多语言指令跟随和翻译等场景。
• 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。
• 发布日期：2025 年 2 月 5 日
• 版本：1.0
• 模型开发者：RedHat (Neural Magic)

📦 安装指南

文档未提及安装步骤，故跳过此章节。

💻 使用示例

基础用法

from vllm import LLM, SamplingParams
from transformers import AutoTokenizer

model_id = "RedHatAI/Qwen3-14B-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)

高级用法

文档未提及高级用法相关代码，故跳过此部分。

📚 详细文档

模型优化

本模型通过将 Qwen3-14B 的激活值和权重量化为 FP8 数据类型得到。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，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。

创建过程

本模型使用 llm-compressor 创建，以下是创建代码：

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

# Load model
model_stub = "Qwen/Qwen3-14B"
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}")

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。

评估详情

lm-evaluation-harness

lm_eval \
    --model vllm \
    --model_args pretrained="RedHatAI/Qwen3-14B-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

lm_eval \
    --model vllm \
    --model_args pretrained="RedHatAI/Qwen3-14B-FP8-dynamic",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/Qwen3-14B-FP8-dynamic",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 lighteval_model_arguments.yaml

model_parameters:
    model_name: RedHatAI/Qwen3-14B-FP8-dynamic
    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

文档未提及技术实现细节相关内容，故跳过此章节。

📄 许可证

本项目采用 Apache-2.0 许可证。