Qwen/Qwen2.5-VL-3B-Instruct的量化版本,支持视觉-文本输入和文本输出,权重量化为INT8,激活量化为INT8。
下载量 274
发布时间 : 2/7/2025
模型介绍
内容详情
替代品
模型简介
该模型是Qwen/Qwen2.5-VL-3B-Instruct的量化版本,适用于视觉-语言任务,支持高效的推理部署。
模型特点
高效量化
权重量化为INT8,激活量化为INT8,显著提升推理效率。
多模态支持
支持视觉和文本输入,适用于复杂的多模态任务。
高性能推理
通过vLLM后端实现高效部署,支持单流和多流异步推理。
模型能力
视觉-文本理解
文本生成
多模态推理
使用案例
视觉问答
图片内容描述
根据输入的图片生成描述性文本。
在VQAv2数据集上达到75.55的准确率。
文档理解
文档视觉问答
解析文档图片并回答相关问题。
在DocVQA数据集上达到92.32的ANLS分数。
标签:
- vllm
- 视觉
- w8a8 许可证: apache-2.0 许可证链接: >- https://huggingface.co/datasets/choosealicense/licenses/blob/main/markdown/apache-2.0.md 语言:
- en 基础模型: Qwen/Qwen2.5-VL-3B-Instruct 库名称: transformers
Qwen2.5-VL-3B-Instruct量化版-w8a8
模型概述
- 模型架构: Qwen/Qwen2.5-VL-3B-Instruct
- 输入: 视觉-文本
- 输出: 文本
- 模型优化:
- 权重量化: INT8
- 激活量化: INT8
- 发布日期: 2025年2月24日
- 版本: 1.0
- 模型开发者: Neural Magic
Qwen/Qwen2.5-VL-3B-Instruct的量化版本。
模型优化
该模型通过将Qwen/Qwen2.5-VL-3B-Instruct的权重量化为INT8数据类型获得,支持vLLM >= 0.5.2进行推理。
部署
使用vLLM
该模型可以使用vLLM后端高效部署,如下例所示。
from vllm.assets.image import ImageAsset
from vllm import LLM, SamplingParams
# 准备模型
llm = LLM(
model="neuralmagic/Qwen2.5-VL-3B-Instruct-quantized.w8a8",
trust_remote_code=True,
max_model_len=4096,
max_num_seqs=2,
)
# 准备输入
question = "这张图片的内容是什么?"
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("========== 示例生成 ==============")
outputs = llm.generate(inputs, SamplingParams(temperature=0.2, max_tokens=64))
print(f"提示 : {outputs[0].prompt}")
print(f"响应: {outputs[0].outputs[0].text}")
print("==================================")
vLLM还支持OpenAI兼容的服务。更多详情请参阅文档。
创建
该模型是通过llm-compressor创建的,作为多模态公告博客的一部分运行以下代码片段。
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,
)
# 加载模型
model_id = args["model_id"]
model = TraceableQwen2_5_VLForConditionalGeneration.from_pretrained(
model_id,
device_map="auto",
torch_dtype="auto",
)
processor = AutoProcessor.from_pretrained(model_id, trust_remote_code=True)
# 单次参数
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=args["dampening_frac"]
save_name = f"{model_id.split('/')[1]}-W8A8-samples{NUM_CALIBRATION_SAMPLES}-df{dampening_frac}"
save_path = os.path.join(args["save_dir"], save_name)
print("保存路径:", save_path)
# 应用聊天模板并标记输入
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": "图片展示了什么?"},
],
}
]
text = processor.apply_chat_template(
messages, tokenize=False, add_generation_prompt=True
)
image_inputs, video_inputs = process_vision_info(messages)
# 标记
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)
# 为多模态输入定义单次数据收集器
def data_collator(batch):
assert len(batch) == 1
return {key: torch.tensor(value) for key, value in batch[0].items()}
# 配方
recipe = [
GPTQModifier(
targets="Linear",
scheme="W8A8",
sequential_targets=["Qwen2_5_VLDecoderLayer"],
ignore=["lm_head", "re:visual.*"],
),
]
SAVE_DIR==f"{model_id.split('/')[1]}-quantized.w8a8"
# 执行单次
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
该模型使用mistral-evals进行视觉相关任务的评估,并使用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 neuralmagic/pixtral-12b-quantized.w8a8 --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 neuralmagic/pixtral-12b-quantized.w8a8 \
--url http://0.0.0.0:8000 \
--output_dir ~/tmp \
--eval_name <视觉任务名称>
基于文本的任务
MMLU
lm_eval \
--model vllm \
--model_args pretrained="<模型名称>",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 输出目录
MGSM
lm_eval \
--model vllm \
--model_args pretrained="<模型名称>",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 输出目录
准确率
类别 | 指标 | Qwen/Qwen2.5-VL-3B-Instruct | neuralmagic/Qwen2.5-VL-3B-Instruct-quantized.w4a16 | 恢复率 (%) |
---|---|---|---|---|
视觉 | MMMU (val, CoT) explicit_prompt_relaxed_correctness |
44.56 | 45.67 | 102.49% |
VQAv2 (val) vqa_match |
75.94 | 75.55 | 99.49% | |
DocVQA (val) anls |
92.53 | 92.32 | 99.77% | |
ChartQA (test, CoT) anywhere_in_answer_relaxed_correctness |
81.20 | 78.80 | 97.04% | |
Mathvista (testmini, CoT) explicit_prompt_relaxed_correctness |
54.15 | 53.85 | 99.45% | |
平均分数 | 69.28 | 69.24 | 99.94% | |
文本 | MGSM (CoT) | 43.69 | 41.98 | 96.09% |
MMLU (5-shot) | 65.32 | 64.83 | 99.25% |
推理性能
该模型在单流部署中实现了高达1.33倍的加速,在多流异步部署中实现了高达1.37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-3B-Instruct-quantized.w8a8 --target "http://localhost:8000/v1" --data-type emulated --data prompt_tokens=<提示标记数>,generated_tokens=<生成标记数>,images=<图片数量>,width=<图片宽度>,height=<图片高度> --max seconds 120 --backend aiohttp_server ```单流性能(使用vLLM版本0.7.2测量)
文档视觉问答 1680宽 x 2240高 64/128 |
视觉推理 640宽 x 480高 128/128 |
图片描述 480宽 x 360高 0/128 |
||||||
---|---|---|---|---|---|---|---|---|
硬件 | 模型 | 平均成本降低 | 延迟 (秒) | 每美元查询数 | 延迟 (秒) | 每美元查询数 | 延迟 (秒) | 每美元查询数 |
A6000x1 | Qwen/Qwen2.5-VL-3B-Instruct | 3.1 | 1454 | 1.8 | 2546 | 1.7 | 2610 | |
neuralmagic/Qwen2.5-VL-3B-Instruct-quantized.w8a8 | 1.27 | 2.6 | 1708 | 1.3 | 3340 | 1.3 | 3459 | |
neuralmagic/Qwen2.5-VL-3B-Instruct-quantized.w4a16 | 1.57 | 2.4 | 1886 | 1.0 | 4409 | 1.0 | 4409 | |
A100x1 | Qwen/Qwen2.5-VL-3B-Instruct | 2.2 | 920 | 1.3 | 1603 | 1.2 | 1636 | |
neuralmagic/Qwen2.5-VL-3B-Instruct-quantized.w8a8 | 1.09 | 2.1 | 975 | 1.2 | 1743 | 1.1 | 1814 | |
neuralmagic/Qwen2.5-VL-3B-Instruct-quantized.w4a16 | 1.20 | 2.0 | 1011 | 1.0 | 2015 | 1.0 | 2012 | |
H100x1 | Qwen/Qwen2.5-VL-3B-Instruct | 1.5 | 740 | 0.9 | 1221 | 0.9 | 1276 | |
neuralmagic/Qwen2.5-VL-3B-Instruct-FP8-Dynamic | 1.06 | 1.4 | 768 | 0.9 | 1276 | 0.8 | 1399 | |
neuralmagic/Qwen2.5-VL-3B-Instruct-quantized.w4a16 | 1.24 | 0.9 | 1219 | 0.9 | 1270 | 0.8 | 1304 |
**使用场景配置: 图片尺寸 (宽x高) / 提示标记数 / 生成标记数
**QPD: 每美元查询数,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)
文档视觉问答 1680宽 x 2240高 64/128 |
视觉推理 640宽 x 480高 128/128 |
图片描述 480宽 x 360高 0/128 |
||||||
---|---|---|---|---|---|---|---|---|
硬件 | 模型 | 平均成本降低 | 最大吞吐量 (QPS) | 每美元查询数 | 最大吞吐量 (QPS) | 每美元查询数 | 最大吞吐量 (QPS) | 每美元查询数 |
A6000x1 | Qwen/Qwen2.5-VL-3B-Instruct | 0.5 | 2405 | 2.6 | 11889 | 2.9 | 12909 | |
neuralmagic/Qwen2.5-VL-3B-Instruct-quantized.w8a8 | 1.26 | 0.6 | 2725 | 3.4 | 15162 | 3.9 | 17673 | |
neuralmagic/Qwen2.5-VL-3B-Instruct-quantized.w4a16 | 1.39 | 0.6 | 2548 | 3.9 | 17437 | 4.7 | 21223 | |
A100x1 | Qwen/Qwen2.5-VL-3B-Instruct | 0.8 | 1663 | 3.9 | 7899 | 4.4 | 8924 | |
neuralmagic/Qwen2.5-VL-3B-Instruct-quantized.w8a8 | 1.06 | 0.9 | 1734 | 4.2 | 8488 | 4.7 | 9548 | |
neuralmagic/Qwen2.5-VL-3B-Instruct-quantized.w4a16 | 1.10 | 0.9 | 1775 | 4.2 | 8540 | 5.1 | 10318 | |
H100x1 | Qwen/Qwen2.5-VL-3B-Instruct | 1.1 | 1188 | 4.3 | 4656 | 4.3 | 4676 | |
neuralmagic/Qwen2.5-VL-3B-Instruct-FP8-Dynamic | 1.15 | 1.4 | 1570 | 4.3 | 4676 | 4.8 | 5220 | |
neuralmagic/Qwen2.5-VL-3B-Instruct-quantized.w4a16 | 1.96 | 4.2 | 4598 | 4.1 | 4505 | 4.4 | 4838 |
**使用场景配置: 图片尺寸 (宽x高) / 提示标记数 / 生成标记数
**QPS: 每秒查询数。
**QPD: 每美元查询数,基于Lambda Labs的按需成本(2025年2月18日观察)。
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
AIbase是一个专注于MCP服务的平台,为AI开发者提供高质量的模型上下文协议服务,助力AI应用开发。
简体中文