Qwen3 235B A22B FP8 Dynamic

🚀 Qwen3-235B-A22B-FP8-dynamic

本项目是对Qwen3-235B-A22B模型进行FP8量化后的版本，能有效降低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场景。

🚀 快速开始

本模型可以使用 vLLM 后端高效部署，示例代码如下：

from vllm import LLM, SamplingParams
from transformers import AutoTokenizer

model_id = "RedHatAI/Qwen3-235B-A22B-FP8-dynamic"
number_gpus = 4
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：推理、函数调用、通过微调服务主题专家、多语言指令跟随、翻译等。
• 适用范围：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 5 月 5 日
• 版本：1.0
• 模型开发者：RedHat (Neural Magic)

模型优化细节

本模型是通过将 Qwen3-235B-A22B 的激活和权重量化为 FP8 数据类型得到的。仅对 Transformer 块内线性算子的权重和激活进行量化，权重采用对称静态逐通道方案量化，激活采用对称动态逐令牌方案量化，使用 llm-compressor 库进行量化。

📦 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/Qwen3-235B-A22B-FP8-dynamic"
number_gpus = 4
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，故跳过此部分。

📚 详细文档

模型创建

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

# Load model
model_stub = "Qwen/Qwen3-235B-A22B"
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

本模型在 OpenLLM 排行榜任务（版本 1）上进行了评估，使用 lm-evaluation-harness 和 vLLM。

lm_eval \
  --model vllm \
  --model_args pretrained="RedHatAI/Qwen3-235B-A22B-FP8-dynamic",dtype=auto,gpu_memory_utilization=0.5,max_model_len=8192,enable_chunk_prefill=True,tensor_parallel_size=4 \
  --tasks openllm \
  --apply_chat_template\
  --fewshot_as_multiturn \
  --batch_size auto

准确率

🔧 技术细节

文档未提及足够的技术实现细节，故跳过此章节。

📄 许可证

本项目采用 Apache-2.0 许可证。