Qwen2.5 VL 72B Instruct Quantized.w4a16
Qwen2.5-VL-72B-Instruct的INT4权重量化版本,支持视觉-文本输入和文本输出,通过vLLM实现高效推理
下载量 1,328
发布时间 : 2/7/2025
模型简介
这是一个72B参数的多模态大语言模型量化版本,支持视觉和文本输入,专为高效推理优化
模型特点
高效量化
权重量化为INT4数据类型,激活量化为FP16,显著降低计算资源需求
多模态支持
同时处理视觉和文本输入,输出为文本响应
高性能推理
通过vLLM实现高效部署,单流部署可达3.95倍加速,多流异步部署可达6.6倍加速
高精度保持
量化后模型在视觉任务上平均保持99.51%的原始精度
模型能力
图像内容理解
视觉问答
文档分析
图表理解
数学视觉推理
多语言文本生成
使用案例
视觉问答
图像内容描述
分析图像内容并生成描述性文本
在VQAv2验证集上达到81.87%准确率
文档理解
解析文档图像并回答相关问题
在DocVQA验证集上达到94.72% ANLS分数
视觉推理
数学视觉问题解答
解决包含数学公式和图表的问题
在Mathvista测试迷你集上达到77.68%准确率
图表分析
解释图表数据并回答相关问题
在ChartQA测试集上达到88.96%准确率
🚀 Qwen2.5-VL-72B-Instruct量化版w4a16
本项目是Qwen/Qwen2.5-VL-72B-Instruct的量化版本,通过将权重量化为INT4数据类型,可使用vLLM >= 0.5.2进行高效推理。
🚀 快速开始
本模型可以使用 vLLM 后端进行高效部署,以下是使用示例:
from vllm.assets.image import ImageAsset
from vllm import LLM, SamplingParams
# 准备模型
llm = LLM(
model="neuralmagic/Qwen2.5-VL-72B-Instruct-quantized.w4a16",
trust_remote_code=True,
max_model_len=4096,
max_num_seqs=2,
)
# 准备输入
question = "What is the content of this image?"
inputs = {
"prompt": f"<|user|>\n<|image_1|>\n{question}<|end|>\n<|assistant|>\n",
"multi_modal_data": {
"image": ImageAsset("cherry_blossom").pil_image.convert("RGB")
},
}
# 生成响应
print("========== SAMPLE GENERATION ==============")
outputs = llm.generate(inputs, SamplingParams(temperature=0.2, max_tokens=64))
print(f"PROMPT : {outputs[0].prompt}")
print(f"RESPONSE: {outputs[0].outputs[0].text}")
print("==========================================")
vLLM 还支持与 OpenAI 兼容的服务,更多详情请参阅文档。
✨ 主要特性
- 模型架构:Qwen/Qwen2.5-VL-72B-Instruct,支持视觉 - 文本输入,输出为文本。
- 模型优化:权重量化为 INT4 数据类型,激活量化为 FP16,可使用 vLLM >= 0.5.2 进行推理。
- 发布日期:2025 年 2 月 24 日。
- 版本:1.0。
- 模型开发者:Neural Magic。
📦 安装指南
文档中未提及安装步骤,暂不提供。
💻 使用示例
基础用法
from vllm.assets.image import ImageAsset
from vllm import LLM, SamplingParams
# 准备模型
llm = LLM(
model="neuralmagic/Qwen2.5-VL-72B-Instruct-quantized.w4a16",
trust_remote_code=True,
max_model_len=4096,
max_num_seqs=2,
)
# 准备输入
question = "What is the content of this image?"
inputs = {
"prompt": f"<|user|>\n<|image_1|>\n{question}<|end|>\n<|assistant|>\n",
"multi_modal_data": {
"image": ImageAsset("cherry_blossom").pil_image.convert("RGB")
},
}
# 生成响应
print("========== SAMPLE GENERATION ==============")
outputs = llm.generate(inputs, SamplingParams(temperature=0.2, max_tokens=64))
print(f"PROMPT : {outputs[0].prompt}")
print(f"RESPONSE: {outputs[0].outputs[0].text}")
print("==========================================")
📚 详细文档
模型创建
本模型使用 llm-compressor 创建,以下是创建模型的代码片段:
模型创建代码
import base64
from io import BytesIO
import torch
from datasets import load_dataset
from qwen_vl_utils import process_vision_info
from transformers import AutoProcessor
from llmcompressor.modifiers.quantization import GPTQModifier
from llmcompressor.transformers import oneshot
from llmcompressor.transformers.tracing import (
TraceableQwen2_5_VLForConditionalGeneration,
)
from compressed_tensors.quantization import QuantizationArgs, QuantizationType, QuantizationStrategy, ActivationOrdering, QuantizationScheme
# 加载模型
model_id = "Qwen/Qwen2.5-VL-72B-Instruct"
model = TraceableQwen2_5_VLForConditionalGeneration.from_pretrained(
model_id,
device_map="auto",
torch_dtype="auto",
)
processor = AutoProcessor.from_pretrained(model_id, trust_remote_code=True)
# 一次性参数
DATASET_ID = "lmms-lab/flickr30k"
DATASET_SPLIT = {"calibration": "test[:512]"}
NUM_CALIBRATION_SAMPLES = 512
MAX_SEQUENCE_LENGTH = 2048
# 加载数据集并预处理
ds = load_dataset(DATASET_ID, split=DATASET_SPLIT)
ds = ds.shuffle(seed=42)
dampening_frac=0.01
# 应用聊天模板并对输入进行分词
def preprocess_and_tokenize(example):
# 预处理
buffered = BytesIO()
example["image"].save(buffered, format="PNG")
encoded_image = base64.b64encode(buffered.getvalue())
encoded_image_text = encoded_image.decode("utf-8")
base64_qwen = f"data:image;base64,{encoded_image_text}"
messages = [
{
"role": "user",
"content": [
{"type": "image", "image": base64_qwen},
{"type": "text", "text": "What does the image show?"},
],
}
]
text = processor.apply_chat_template(
messages, tokenize=False, add_generation_prompt=True
)
image_inputs, video_inputs = process_vision_info(messages)
# 分词
return processor(
text=[text],
images=image_inputs,
videos=video_inputs,
padding=False,
max_length=MAX_SEQUENCE_LENGTH,
truncation=True,
)
ds = ds.map(preprocess_and_tokenize, remove_columns=ds["calibration"].column_names)
# 定义用于多模态输入的一次性数据收集器
def data_collator(batch):
assert len(batch) == 1
return {key: torch.tensor(value) for key, value in batch[0].items()}
recipe = GPTQModifier(
targets="Linear",
config_groups={
"config_group": QuantizationScheme(
targets=["Linear"],
weights=QuantizationArgs(
num_bits=4,
type=QuantizationType.INT,
strategy=QuantizationStrategy.GROUP,
group_size=128,
symmetric=True,
dynamic=False,
actorder=ActivationOrdering.WEIGHT,
),
),
},
sequential_targets=["Qwen2_5_VLDecoderLayer"],
ignore=["lm_head", "re:visual.*"],
update_size=NUM_CALIBRATION_SAMPLES,
dampening_frac=dampening_frac
)
SAVE_DIR=f"{model_id.split('/')[1]}-quantized.w4a16"
# 执行一次性操作
oneshot(
model=model,
tokenizer=model_id,
dataset=ds,
recipe=recipe,
max_seq_length=MAX_SEQUENCE_LENGTH,
num_calibration_samples=NUM_CALIBRATION_SAMPLES,
trust_remote_code_model=True,
data_collator=data_collator,
output_dir=SAVE_DIR
)
评估
本模型使用 mistral-evals 进行视觉相关任务的评估,使用 lm_evaluation_harness 进行部分基于文本的基准测试。评估使用以下命令进行:
评估命令
视觉任务
- vqav2
- docvqa
- mathvista
- mmmu
- chartqa
vllm serve RedHatAI/Qwen2.5-VL-72B-Instruct-quantized.w4a16 --tensor_parallel_size 1 --max_model_len 25000 --trust_remote_code --max_num_seqs 8 --gpu_memory_utilization 0.9 --dtype float16 --limit_mm_per_prompt image=7
python -m eval.run eval_vllm \
--model_name RedHatAI/Qwen2.5-VL-72B-Instruct-quantized.w4a16 \
--url http://0.0.0.0:8000 \
--output_dir ~/tmp \
--eval_name <vision_task_name>
基于文本的任务
MMLU
lm_eval \
--model vllm \
--model_args pretrained="<model_name>",dtype=auto,add_bos_token=True,max_model_len=4096,tensor_parallel_size=<n>,gpu_memory_utilization=0.8,enable_chunked_prefill=True,trust_remote_code=True \
--tasks mmlu \
--num_fewshot 5 \
--batch_size auto \
--output_path output_dir
MGSM
lm_eval \
--model vllm \
--model_args pretrained="<model_name>",dtype=auto,max_model_len=4096,max_gen_toks=2048,max_num_seqs=128,tensor_parallel_size=<n>,gpu_memory_utilization=0.9 \
--tasks mgsm_cot_native \
--apply_chat_template \
--num_fewshot 0 \
--batch_size auto \
--output_path output_dir
准确率
类别 | 指标 | Qwen/Qwen2.5-VL-72B-Instruct | neuralmagic/Qwen2.5-VL-72B-Instruct-quantized.w4a16 | 恢复率 (%) |
---|---|---|---|---|
视觉 | MMMU (验证集, CoT) 显式提示宽松正确性 |
64.33 | 62.89 | 97.76% |
视觉 | VQAv2 (验证集) vqa匹配 |
81.94 | 81.87 | 99.91% |
视觉 | DocVQA (验证集) anls |
94.71 | 94.72 | 100.01% |
视觉 | ChartQA (测试集, CoT) 答案中任意位置宽松正确性 |
88.96 | 88.96 | 100.00% |
视觉 | Mathvista (测试迷你集, CoT) 显式提示宽松正确性 |
78.18 | 77.68 | 99.36% |
视觉 | 平均得分 | 81.62 | 81.22 | 99.51 |
文本 | MGSM (CoT) | 75.45 | 75.13 | 99.58% |
文本 | MMLU (5-shot) | 86.16 | 85.36 | 99.07% |
推理性能
本模型在单流部署中可实现高达 3.95 倍的加速,在多流异步部署中可实现高达 6.6 倍的加速,具体取决于硬件和使用场景。以下性能基准测试使用 vLLM 版本 0.7.2 和 GuideLLM 进行:
基准测试命令
``` guidellm --model neuralmagic/Qwen2.5-VL-72B-Instruct-quantized.w4a16 --target "http://localhost:8000/v1" --data-type emulated --data prompt_tokens=单流性能(使用 vLLM 版本 0.7.2 测量)
硬件 | GPU 数量 | 模型 | 平均成本降低 | 文档视觉问答 1680W x 2240H 64/128 延迟 (s) |
文档视觉问答 1680W x 2240H 64/128 每美元查询次数 |
视觉推理 640W x 480H 128/128 延迟 (s) |
视觉推理 640W x 480H 128/128 每美元查询次数 |
图像描述 480W x 360H 0/128 延迟 (s) |
图像描述 480W x 360H 0/128 每美元查询次数 |
---|---|---|---|---|---|---|---|---|---|
A100 | 4 | Qwen/Qwen2.5-VL-72B-Instruct | 6.4 | 78 | 4.5 | 111 | 4.4 | 113 | |
A100 | 2 | neuralmagic/Qwen2.5-VL-72B-Instruct-quantized.w8a8 | 1.85 | 7.0 | 143 | 4.9 | 205 | 4.8 | 211 |
A100 | 1 | neuralmagic/Qwen2.5-VL-72B-Instruct-quantized.w4a16 | 3.33 | 9.4 | 213 | 5.1 | 396 | 4.8 | 420 |
H100 | 4 | Qwen/Qwen2.5-VL-72B-Instruct | 4.3 | 68 | 3.0 | 97 | 2.9 | 100 | |
H100 | 2 | neuralmagic/Qwen2.5-VL-72B-Instruct-FP8-Dynamic | 1.79 | 4.6 | 122 | 3.3 | 173 | 3.2 | 177 |
H100 | 1 | neuralmagic/Qwen2.5-VL-72B-Instruct-quantized.w4a16 | 5.66 | 4.3 | 252 | 4.4 | 251 | 4.2 | 259 |
用例配置文件:图像大小 (宽x高) / 提示令牌 / 生成令牌
QPD:每美元查询次数,基于 Lambda Labs 的按需成本(2025 年 2 月 18 日观察)
多流异步性能(使用 vLLM 版本 0.7.2 测量)
硬件 | 模型 | 平均成本降低 | 文档视觉问答 1680W x 2240H 64/128 最大吞吐量 (QPS) |
文档视觉问答 1680W x 2240H 64/128 每美元查询次数 |
视觉推理 640W x 480H 128/128 最大吞吐量 (QPS) |
视觉推理 640W x 480H 128/128 每美元查询次数 |
图像描述 480W x 360H 0/128 最大吞吐量 (QPS) |
图像描述 480W x 360H 0/128 每美元查询次数 |
---|---|---|---|---|---|---|---|---|
A100x4 | Qwen/Qwen2.5-VL-72B-Instruct | 0.4 | 180 | 1.1 | 539 | 1.2 | 595 | |
A100x4 | neuralmagic/Qwen2.5-VL-72B-Instruct-quantized.w8a8 | 1.80 | 0.6 | 289 | 2.0 | 1020 | 2.3 | 1133 |
A100x4 | neuralmagic/Qwen2.5-VL-72B-Instruct-quantized.w4a16 | 2.75 | 0.7 | 341 | 3.2 | 1588 | 4.1 | 2037 |
H100x4 | Qwen/Qwen2.5-VL-72B-Instruct | 0.5 | 134 | 1.2 | 357 | 1.3 | 379 | |
H100x4 | neuralmagic/Qwen2.5-VL-72B-Instruct-FP8-Dynamic | 1.73 | 0.9 | 247 | 2.2 | 621 | 2.4 | 669 |
H100x4 | neuralmagic/Qwen2.5-VL-72B-Instruct-quantized.w4a16 | 8.27 | 3.3 | 913 | 3.3 | 898 | 3.6 | 991 |
用例配置文件:图像大小 (宽x高) / 提示令牌 / 生成令牌
QPS:每秒查询次数
QPD:每美元查询次数,基于 Lambda Labs 的按需成本(2025 年 2 月 18 日观察)
📄 许可证
本项目采用 Apache-2.0 许可证。
Clip Vit Large Patch14
CLIP是由OpenAI开发的视觉-语言模型,通过对比学习将图像和文本映射到共享的嵌入空间,支持零样本图像分类
图像生成文本
C
openai
44.7M
1,710
Clip Vit Base Patch32
CLIP是由OpenAI开发的多模态模型,能够理解图像和文本之间的关系,支持零样本图像分类任务。
图像生成文本
C
openai
14.0M
666
Siglip So400m Patch14 384
Apache-2.0
SigLIP是基于WebLi数据集预训练的视觉语言模型,采用改进的sigmoid损失函数,优化了图像-文本匹配任务。
图像生成文本
Transformers

S
google
6.1M
526
Clip Vit Base Patch16
CLIP是由OpenAI开发的多模态模型,通过对比学习将图像和文本映射到共享的嵌入空间,实现零样本图像分类能力。
图像生成文本
C
openai
4.6M
119
Blip Image Captioning Base
Bsd-3-clause
BLIP是一个先进的视觉-语言预训练模型,擅长图像描述生成任务,支持条件式和非条件式文本生成。
图像生成文本
Transformers

B
Salesforce
2.8M
688
Blip Image Captioning Large
Bsd-3-clause
BLIP是一个统一的视觉-语言预训练框架,擅长图像描述生成任务,支持条件式和无条件式图像描述生成。
图像生成文本
Transformers

B
Salesforce
2.5M
1,312
Openvla 7b
MIT
OpenVLA 7B是一个基于Open X-Embodiment数据集训练的开源视觉-语言-动作模型,能够根据语言指令和摄像头图像生成机器人动作。
图像生成文本
Transformers 英语

O
openvla
1.7M
108
Llava V1.5 7b
LLaVA 是一款开源多模态聊天机器人,基于 LLaMA/Vicuna 微调,支持图文交互。
图像生成文本
Transformers

L
liuhaotian
1.4M
448
Vit Gpt2 Image Captioning
Apache-2.0
这是一个基于ViT和GPT2架构的图像描述生成模型,能够为输入图像生成自然语言描述。
图像生成文本
Transformers

V
nlpconnect
939.88k
887
Blip2 Opt 2.7b
MIT
BLIP-2是一个视觉语言模型,结合了图像编码器和大型语言模型,用于图像到文本的生成任务。
图像生成文本
Transformers 英语

B
Salesforce
867.78k
359
精选推荐AI模型
Llama 3 Typhoon V1.5x 8b Instruct
专为泰语设计的80亿参数指令模型,性能媲美GPT-3.5-turbo,优化了应用场景、检索增强生成、受限生成和推理任务
大型语言模型
Transformers 支持多种语言

L
scb10x
3,269
16
Cadet Tiny
Openrail
Cadet-Tiny是一个基于SODA数据集训练的超小型对话模型,专为边缘设备推理设计,体积仅为Cosmo-3B模型的2%左右。
对话系统
Transformers 英语

C
ToddGoldfarb
2,691
6
Roberta Base Chinese Extractive Qa
基于RoBERTa架构的中文抽取式问答模型,适用于从给定文本中提取答案的任务。
问答系统 中文
R
uer
2,694
98