许可协议: apache-2.0 库名称: vllm 流水线标签: 图像文本到文本 标签:

• int4
• vllm
• llmcompressor 基础模型: mistralai/Mistral-Small-3.1-24B-Instruct-2503

Mistral-Small-3.1-24B-Instruct-2503-GPTQ-4b-128g

模型概述

本模型通过对Mistral-Small-3.1-24B-Instruct-2503的权重进行INT4量化获得。该优化将每个参数的比特数从16降至4，使磁盘大小和GPU内存需求减少约75%。

仅对language_model转换器块中的线性算子权重进行量化。视觉模型和多模态投影保持原始精度。采用分组大小为128的对称逐组方案进行量化，并应用GPTQ算法完成量化过程。

模型检查点以compressed_tensors格式保存。

评估

本模型在OpenLLM v1基准测试中进行评估，模型输出由vLLM引擎生成。

复现方法

通过以下命令获得评估结果：

MODEL=ISTA-DASLab/Mistral-Small-3.1-24B-Instruct-2503-GPTQ-4b-128g
MODEL_ARGS="pretrained=$MODEL,max_model_len=4096,tensor_parallel_size=1,dtype=auto,gpu_memory_utilization=0.80"

lm_eval \
  --model vllm \
  --model_args $MODEL_ARGS \
  --tasks openllm \
  --batch_size auto

使用说明

• 在transformers中使用本模型需更新至Mistral-3稳定版

  pip install git+https://github.com/huggingface/transformers@v4.49.0-Mistral-3

• 在vLLM中使用需升级至vllm>=0.8.0版本

以下是通过transformers进行推理的示例：

# pip install accelerate

from transformers import AutoProcessor, AutoModelForImageTextToText
from PIL import Image
import requests
import torch

model_id = "ISTA-DASLab/Mistral-Small-3.1-24B-Instruct-2503-GPTQ-4b-128g"

model = AutoModelForImageTextToText.from_pretrained(
    model_id, device_map="auto"
).eval()

processor = AutoProcessor.from_pretrained(model_id)

messages = [
    {
        "role": "系统",
        "content": [{"type": "文本", "text": "你是一个乐于助人的助手。"}]
    },
    {
        "role": "用户",
        "content": [
            {"type": "图像", "image": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/bee.jpg"},
            {"type": "文本", "text": "详细描述这张图片。"}
        ]
    }
]

inputs = processor.apply_chat_template(
    messages, add_generation_prompt=True, tokenize=True,
    return_dict=True, return_tensors="pt"
).to(model.device, dtype=torch.bfloat16)

input_len = inputs["input_ids"].shape[-1]

with torch.inference_mode():
    generation = model.generate(**inputs, max_new_tokens=100, do_sample=False)
    generation = generation[0][input_len:]

decoded = processor.decode(generation, skip_special_tokens=True)
print(decoded)