🚀 DeepSeek-R1-Distill-Qwen-14B-quantized.w8a8

这是 DeepSeek-R1-Distill-Qwen-14B 的量化版本，通过将权重和激活量化为INT8数据类型，减少了GPU内存需求和磁盘空间需求，同时提高了计算吞吐量。

🚀 快速开始

使用 vLLM 部署

本模型可以使用 vLLM 后端进行高效部署，示例代码如下：

from transformers import AutoTokenizer
from vllm import LLM, SamplingParams

number_gpus = 1
model_name = "neuralmagic/DeepSeek-R1-Distill-Qwen-14B-quantized.w8a8"

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": "Who are you? Please respond in pirate speak!"}],
]

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 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：Qwen2ForCausalLM，输入和输出均为文本。
• 模型优化：将权重和激活量化为INT8数据类型，减少GPU内存需求（约50%），提高矩阵乘法计算吞吐量（约2倍），同时减少磁盘大小需求（约50%）。
• 高效推理：在单流和多流异步部署中均可实现高达1.6倍的加速。

📦 安装指南

创建模型

使用 llm-compressor 创建本模型的代码如下：

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

# Load model
model_stub = "deepseek-ai/DeepSeek-R1-Distill-Qwen-14B"
model_name = model_stub.split("/")[-1]

num_samples = 1024
max_seq_len = 8192

tokenizer = AutoTokenizer.from_pretrained(model_stub)

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

def preprocess_fn(example):
  return {"text": tokenizer.apply_chat_template(example["messages"], add_generation_prompt=False, tokenize=False)}

ds = load_dataset("neuralmagic/LLM_compression_calibration", split="train")
ds = ds.map(preprocess_fn)

# Configure the quantization algorithm and scheme
recipe = [
    SmoothQuantModifier(smoothing_strength=0.8),
    QuantizationModifier(
        targets="Linear",
        scheme="W8A8",
        ignore=["lm_head"],
        dampening_frac=0.1,
    ),
]

# Apply quantization
oneshot(
    model=model,
    dataset=ds, 
    recipe=recipe,
    max_seq_length=max_seq_len,
    num_calibration_samples=num_samples,
)

# Save to disk in compressed-tensors format
save_path = model_name + "-quantized.w8a8"
model.save_pretrained(save_path)
tokenizer.save_pretrained(save_path)
print(f"Model and tokenizer saved to: {save_path}")

💻 使用示例

基础用法

from transformers import AutoTokenizer
from vllm import LLM, SamplingParams

number_gpus = 1
model_name = "neuralmagic/DeepSeek-R1-Distill-Qwen-14B-quantized.w8a8"

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": "Who are you? Please respond in pirate speak!"}],
]

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)

📚 详细文档

评估

本模型在 OpenLLM Leaderboard V1 和 V2 上进行了评估，使用的命令如下：

OpenLLM Leaderboard V1

lm_eval \
  --model vllm \
  --model_args pretrained="neuralmagic/DeepSeek-R1-Distill-Qwen-14B-quantized.w8a8",dtype=auto,max_model_len=4096,tensor_parallel_size=1,enable_chunked_prefill=True \
  --tasks openllm \
  --write_out \
  --batch_size auto \
  --output_path output_dir \
  --show_config

OpenLLM Leaderboard V2

lm_eval \
  --model vllm \
  --model_args pretrained="neuralmagic/DeepSeek-R1-Distill-Qwen-14B-quantized.w8a8",dtype=auto,max_model_len=4096,tensor_parallel_size=1,enable_chunked_prefill=True \
  --apply_chat_template \
  --fewshot_as_multiturn \
  --tasks leaderboard \
  --write_out \
  --batch_size auto \
  --output_path output_dir \
  --show_config

准确率

推理性能

本模型在单流和多流异步部署中均可实现高达1.6倍的加速，具体取决于硬件和使用场景。以下是使用 vLLM 版本 0.7.2 和 GuideLLM 进行的性能基准测试：

guidellm --model neuralmagic/DeepSeek-R1-Distill-Qwen-14B-quantized.w8a8 --target "http://localhost:8000/v1" --data-type emulated --data "prompt_tokens=<prompt_tokens>,generated_tokens=<generated_tokens>" --max seconds 360 --backend aiohttp_server

单流性能（使用 vLLM 版本 0.7.2 测量）

**用例配置文件：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）

**用例配置文件：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）。

🔧 技术细节

模型优化

本模型通过将 DeepSeek-R1-Distill-Qwen-14B 的权重和激活量化为INT8数据类型，减少了GPU内存需求和磁盘空间需求，同时提高了计算吞吐量。具体来说，权重量化将表示权重和激活的位数从16位减少到8位，从而减少了约50%的GPU内存需求和磁盘大小需求，并提高了约2倍的矩阵乘法计算吞吐量。

仅对Transformer块内的线性算子的权重和激活进行了量化。权重使用对称的每通道方案进行量化，而激活使用对称的每个令牌方案进行量化。量化使用了 GPTQ 算法，该算法在 llm-compressor 库中实现。

📄 许可证

本项目采用 MIT 许可证。