license: mit tags:

• 千问
• QwQ
• FP8
• vLLM base_model: Qwen/QwQ-32B library_name: transformers

QwQ-32B-FP8动态量化版

模型概览

• 模型架构: Qwen2ForCausalLM
  • 输入类型: 文本
  • 输出类型: 文本
• 模型优化:
  • 权重量化: FP8
  • 激活值量化: FP8
• 发布日期: 2025年3月6日
• 版本号: 1.0
• 开发团队: Neural Magic

Qwen/QwQ-32B的量化版本。

优化技术

本模型通过对Qwen/QwQ-32B的权重和激活值进行FP8量化获得。该优化将每个参数从16位降至8位，使磁盘存储和GPU内存需求减少约50%。

仅对transformer模块中的线性算子进行量化处理：权重采用逐通道对称量化方案，激活值采用逐token对称量化方案。量化过程使用LLM压缩器实现。

vLLM部署指南

可通过vLLM后端高效部署本模型，示例如下：

from transformers import AutoTokenizer
from vllm import LLM, SamplingParams

number_gpus = 1
model_name = "neuralmagic/QwQ-32B-FP8-dynamic"

tokenizer = AutoTokenizer.from_pretrained(model_name)
sampling_params = SamplingParams(temperature=0.6, max_tokens=256, stop_token_ids=[tokenizer.eos_token_id])
llm = LLM(model=model_name, tensor_parallel_size=number_gpus, trust_remote_code=True)

messages_list = [
    [{"role": "user", "content": "你是谁？请用海盗口吻回答！"}],
]

prompt_token_ids = [tokenizer.apply_chat_template(messages, add_generation_prompt=True) for messages in messages_list]

outputs = llm.generate(prompt_token_ids=prompt_token_ids, sampling_params=sampling_params)

generated_text = [output.outputs[0].text for output in outputs]
print(generated_text)

vLLM同时支持OpenAI兼容的服务接口，详见官方文档。

创建过程

使用llm-compressor运行以下代码创建本模型：

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

# 加载原始模型
model_stub = "Qwen/QwQ-32B"
model_name = model_stub.split("/")[-1]

model = AutoModelForCausalLM.from_pretrained(
    model_stub,
    torch_dtype="auto",
)

tokenizer = AutoTokenizer.from_pretrained(model_stub)

# 配置量化方案
recipe = QuantizationModifier(
    targets="Linear",
    scheme="FP8_DYNAMIC",
    ignore=["lm_head"],
)

# 执行量化
oneshot(
    model=model,
    recipe=recipe,
)

# 保存压缩后模型
save_path = model_name + "-FP8-dynamic"
model.save_pretrained(save_path)
tokenizer.save_pretrained(save_path)
print(f"模型与分词器已保存至: {save_path}")

精度表现