VTP-Base-f16d64 on Ascend NPU
1. 简介
本文档记录 VTP-Base-f16d64（Visual Tokenizer Pre-training，MiniMax）在昇腾 NPU（Ascend 910B3）环境的适配部署与精度验证结果。
VTP-Base 视觉编码器参数量约 48.5M，嵌入维度 768，12 头注意力，输出 64 维瓶颈特征向量。本项目完成该模型在昇腾 NPU 上的推理适配，验证 NPU 与 CPU 结果的精度误差 < 1%。
相关地址：
2. 验证环境
| 组件 | 版本 |
|---|
| Python | 3.11.x |
| PyTorch | 2.10.0+cpu |
| torch_npu | 2.10.0 |
| CANN | 8.5.1 |
| NPU 硬件 | Ascend 910B3 |
3. 模型信息
| 项目 | 值 |
|---|
| 模型架构 | ViT-Base (VTP vision encoder) |
| 视觉编码器参数量 | ~48.5M |
| 特征维度 | 64 (bottleneck) |
| Layers | 12 |
| Attention Heads | 12 |
| Embed Dim | 768 |
| 输入尺寸 | 3×256×256 |
| 权重格式 | safetensors |
| 许可证 | Modified MIT |
4. Conda 环境安装
conda create -n vtp-base python=3.11 -y
conda activate vtp-base
pip install torch==2.10.0 torchvision==0.25.0 --index-url https://repo.huaweicloud.com/repository/pypi/simple/
pip install torch_npu==2.10.0 --index-url https://repo.huaweicloud.com/repository/pypi/simple/
pip install safetensors pillow --index-url https://repo.huaweicloud.com/repository/pypi/simple/
5. 推理执行
python3 inference.py --model_path /path/to/VTP-Base-f16d64 --image_path /path/to/img.jpg
python3 inference.py ... --device cpu
python3 benchmark.py --model_path /path/to/VTP-Base-f16d64
6. 参数说明
| inference.py | 默认值 |
|---|
--device | npu:0 |
| benchmark.py | 默认值 |
|---|
--npu_device | npu:0 |
--num_warmup | 3 |
7. 精度评测结果
| 输出 | 相对误差 | 余弦相似度 | 最大误差 | 平均误差 |
|---|
| features | 0.004569% | 1.0000000000 | — | — |
| 指标 | 实测 | 阈值 | 状态 |
|---|
| 相对误差 | 0.0046% | < 1% | PASS |
| 余弦相似度 | 1.000000 | > 0.99 | PASS |
8. 性能数据
| 操作 | 耗时 |
|---|
| CPU（FP32） | 3.08s |
| NPU（FP32，3轮预热） | 0.29s |
| 加速比 | 10.64x |
9. 注意事项
- 使用自定义模型架构（RMSNorm + SwiGLU + Attention），脚本内嵌无需额外依赖。
- 权重加载自动匹配
trunk.* 前缀。