Qwen2.5-VL-3B-Instruct的量化版本,权重量化为INT4,激活量化为FP16,适用于视觉-文本任务的高效推理。
下载量 167
发布时间 : 2/7/2025
模型介绍
内容详情
替代品
模型简介
该模型是基于Qwen/Qwen2.5-VL-3B-Instruct的量化版本,专为视觉-文本任务优化,支持高效的文本生成和视觉理解。
模型特点
高效量化
权重量化为INT4,激活量化为FP16,显著提升推理效率。
多模态支持
支持视觉和文本输入,能够理解和生成与图像相关的文本内容。
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
图像内容分析
多模态任务处理
使用案例
视觉问答
图像内容描述
根据输入的图像生成详细的文本描述。
在VQAv2数据集上达到73.58的准确率。
文档视觉问答
回答与文档图像内容相关的问题。
在DocVQA数据集上达到91.58的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像的复杂问题。
在Mathvista数据集上达到45.75的准确率。
标签:
- vllm
- 视觉
- w4a16 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:
- 英语 基础模型: Qwen/Qwen2.5-VL-3B-Instruct 库名称: transformers
Qwen2.5-VL-3B-Instruct-quantized-w4a16
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: INT4
- 激活量化: FP16
- 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,可用于vLLM >= 0.5.2的推理。
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.w4a16",
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
该模型是作为多模态公告博客的一部分,通过运行以下代码片段使用llm-compressor创建的。
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-3B-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)
# Oneshot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
# 应用聊天模板并标记化输入
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)
# 标记化
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oneshot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oneshot
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 <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-3B-Instruct | Qwen2.5-VL-3B-Instruct-quantized.W4A16 | 恢复率 (%) |
---|---|---|---|---|
视觉 | MMMU (val, CoT) explicit_prompt_relaxed_correctness |
44.56 | 41.56 | 93.28% |
VQAv2 (val) vqa_match |
75.94 | 73.58 | 96.89 | |
DocVQA (val) anls |
92.53 | 91.58 | 98.97% | |
ChartQA (test, CoT) anywhere_in_answer_relaxed_correctness |
81.20 | 78.96 | 97.24% | |
Mathvista (testmini, CoT) explicit_prompt_relaxed_correctness |
54.15 | 45.75 | 84.51% | |
平均得分 | 69.28 | 66.29 | 95.68% | |
文本 | MGSM (CoT) | 43.69 | 35.82 | 82.00 |
MMLU (5-shot) | 65.32 | 62.80 | 96.14% |
推理性能
该模型在单流部署中实现了高达1.73倍的加速,在多流异步部署中实现了高达3.87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.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)
文档视觉问答 1680W x 2240H 64/128 |
视觉推理 640W x 480H 128/128 |
图像描述 480W x 360H 0/128 |
||||||
---|---|---|---|---|---|---|---|---|
硬件 | 模型 | 平均成本降低 | 延迟 (秒) | 每美元查询数 | 延迟 (秒)th> | 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: 图像尺寸 (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 1680W x 2240H 64/128 |
视觉推理 640W x 480H 128/128 |
图像描述 480W x 360H 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: 图像尺寸 (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 336
基于Vision Transformer架构的大规模视觉语言预训练模型,支持图像与文本的跨模态理解
文本生成图像
Transformers

C
openai
5.9M
241
Fashion Clip
MIT
FashionCLIP是基于CLIP开发的视觉语言模型,专门针对时尚领域进行微调,能够生成通用产品表征。
文本生成图像
Transformers

英语
F
patrickjohncyh
3.8M
222
Gemma 3 1b It
Gemma 3是Google推出的轻量级先进开放模型系列,基于与Gemini模型相同的研究和技术构建。
文本生成图像
Transformers

G
google
2.1M
347
Blip Vqa Base
Bsd-3-clause
BLIP是一个统一的视觉语言预训练框架,擅长视觉问答任务,通过语言-图像联合训练实现多模态理解与生成能力
文本生成图像
Transformers

B
Salesforce
1.9M
154
CLIP ViT H 14 Laion2b S32b B79k
MIT
基于OpenCLIP框架在LAION-2B英文数据集上训练的视觉-语言模型,支持零样本图像分类和跨模态检索任务
文本生成图像
Safetensors
C
laion
1.8M
368
CLIP ViT B 32 Laion2b S34b B79k
MIT
基于OpenCLIP框架在LAION-2B英语子集上训练的视觉-语言模型,支持零样本图像分类和跨模态检索
文本生成图像
Safetensors
C
laion
1.1M
112
Pickscore V1
PickScore v1 是一个针对文本生成图像的评分函数,可用于预测人类偏好、评估模型性能和图像排序等任务。
文本生成图像
Transformers

P
yuvalkirstain
1.1M
44
Owlv2 Base Patch16 Ensemble
Apache-2.0
OWLv2是一种零样本文本条件目标检测模型,可通过文本查询在图像中定位对象。
文本生成图像
Transformers

O
google
932.80k
99
Llama 3.2 11B Vision Instruct
Llama 3.2 是 Meta 发布的多语言多模态大型语言模型,支持图像文本到文本的转换任务,具备强大的跨模态理解能力。
文本生成图像
Transformers

支持多种语言
L
meta-llama
784.19k
1,424
Owlvit Base Patch32
Apache-2.0
OWL-ViT是一个零样本文本条件目标检测模型,可以通过文本查询搜索图像中的对象,无需特定类别的训练数据。
文本生成图像
Transformers

O
google
764.95k
129
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