license: apache-2.0 base_model:

• Qwen/Qwen2.5-7B-Instruct base_model_relation: quantized pipeline_tag: text2text-generation language:
• 中文
• 英文
• 法语
• 西班牙语
• 葡萄牙语
• 德语
• 意大利语
• 俄语
• 日语
• 韩语
• 越南语
• 泰语
• 阿拉伯语

弹性模型：Qwen2.5-7B-Instruct。自托管场景下最快最灵活的模型

弹性模型是由TheStage AI ANNA（自动化神经网络加速器）生成的模型系列。通过简单滑动控制条，您可自由调节模型规模、延迟与质量。针对每个基础模型，ANNA会生成以下优化版本：

• XL版：数学等效的神经网络，经DNN编译器优化
• L版：近无损模型，基准测试性能衰减<1%
• M版：加速模型，精度损失<1.5%
• S版：极速模型，精度损失<2%

弹性模型核心目标：

• 为推理任务提供成本与质量的灵活选择
• 提供透明的质量与延迟基准数据
• 单行代码即可调用HF生态库（transformers/diffusers）
• 支持多硬件平台，预编译无需即时编译
• 为自托管场景提供最佳模型与服务

注意：具体质量衰减程度因模型而异，例如S版也可能仅产生0.5%的性能衰减

推理部署

只需将标准transformers导入替换为elastic_models.transformers：

import torch
from transformers import AutoTokenizer
from elastic_models.transformers import AutoModelForCausalLM

# 当前需要提供HF凭证以获取原始层权重及配置
model_name = "Qwen/Qwen2.5-7B-Instruct"
hf_token = ''
device = torch.device("cuda")

# 初始化模型
tokenizer = AutoTokenizer.from_pretrained(model_name, token=hf_token)
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    token=hf_token,
    torch_dtype=torch.bfloat16,
    attn_implementation="sdpa",
    mode='S'  # 选择模型版本
).to(device)
model.generation_config.pad_token_id = tokenizer.eos_token_id

# 与标准transformers库相同的推理流程
prompt = "解释DNN量化的基本原理。"
messages = [
    {"role": "system", "content": "你是一个搜索引擎，请回答用户提问。"},
    {"role": "user", "content": prompt}
]

chat_prompt = tokenizer.apply_chat_template(messages, add_generation_prompt=True, tokenize=False)
inputs = tokenizer(chat_prompt, return_tensors="pt").to(device)

with torch.inference_mode():
    generate_ids = model.generate(**inputs, max_length=500)

output = tokenizer.batch_decode(
    generate_ids[:, inputs['input_ids'].shape[1]:],
    skip_special_tokens=True,
    clean_up_tokenization_spaces=False
)[0]

print(f"# 问题:\n{prompt}\n# 回答:\n{output}")

系统要求：

• GPU：H100/L40s
• CPU：AMD/Intel
• Python：3.10-3.12

通过终端执行以下命令完成环境配置：

pip install thestage
pip install elastic_models[nvidia]\
 --index-url https://thestage.jfrog.io/artifactory/api/pypi/pypi-thestage-ai-production/simple\
 --extra-index-url https://pypi.nvidia.com\
 --extra-index-url https://pypi.org/simple

pip install flash_attn==2.7.3 --no-build-isolation
pip uninstall apex

登录app.thestage.ai获取API令牌后配置：

thestage config set --api-token <您的API令牌>

恭喜！现在您可以使用加速模型了。

基准测试

我们致力于提供清晰的模型加速性能指标。W8A8, int8列表示我们对所有线性层应用W8A8量化（int8数据类型），使用与ANNA相同的校准数据。S版模型在保持相近速度的同时，通过敏感层量化优化实现了更高质量！

质量基准

• MMLU：评估57个学科（含理工/人文等）的综合知识能力
• PIQA：通过日常物理交互问题评估常识推理能力
• Arc挑战赛：测试需要推理的小学级选择题解决能力
• Winogrande：通过语句补全任务评估上下文理解与歧义消除能力

延迟基准

100输入/300输出（token/秒）：

相关链接

• 平台入口：app.thestage.ai
• 更新订阅：TheStageAI X账号
• 联系邮箱：contact@thestage.ai