Qwen2.5-0.5B-Instruct-GPTQ-Int8

简介

Qwen2.5 是最新系列的 Qwen 大语言模型。针对 Qwen2.5，我们发布了一系列基础语言模型和指令微调语言模型，参数规模从 0.50 亿到 720 亿不等。Qwen2.5 在 Qwen2 的基础上带来了以下改进：

显著提升知识量，并大幅增强代码和数学能力，这得益于我们在这些领域的专业专家模型。
在指令遵循、长文本生成（超过 8K tokens）、结构化数据理解（如表格）以及结构化输出生成（尤其是 JSON）方面有显著改进。对系统提示的多样性更具适应性，增强了聊天机器人的角色扮演实现和条件设定能力。
长上下文支持，最长可达 128K tokens，生成文本长度可达 8K tokens。
多语言支持，覆盖超过 29 种语言，包括中文、英语、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、阿拉伯语等。

本仓库包含经 GPTQ 量化的 8 位指令微调 0.50B Qwen2.5 模型，其具有以下特点：

类型：因果语言模型
训练阶段：预训练与后训练
架构：采用 RoPE、SwiGLU、RMSNorm、注意力 QKV 偏置和绑定词嵌入的 transformers
参数数量：0.49B
非嵌入参数数量：0.36B
层数：24
注意力头数（GQA）：Q 为 14，KV 为 2
上下文长度：完整 32,768 tokens，生成 8192 tokens
量化方式：GPTQ 8 位

更多详情，请参考我们的博客、GitHub 和文档。

要求

Qwen2.5 的代码已集成到最新的 Hugging face transformers 中，建议您使用最新版本的 transformers。

若使用 transformers<4.37.0，您将遇到以下错误：

KeyError: 'qwen2'

也可以查看我们的 GPTQ 文档以获取更多使用指南。

快速开始

这里提供了一个使用 apply_chat_template 的代码片段，向你展示如何加载分词器和模型以及如何生成内容。

from openmind import AutoModelForCausalLM,AutoTokenizer, AutoModel, is_torch_npu_available
from openmind_hub import snapshot_download
import torch
import argparse
import torch.nn.functional as F
import time

def parse_args():
    parser = argparse.ArgumentParser()
    parser.add_argument(
        "--model_name_or_path",
        type=str,
        help="Path to model",
        default="/home/ma-user/work/pretrainmodel/Qwen2.5-0.5B-Instruct-GPTQ-Int8",
    )
    args = parser.parse_args()
    return args

def main():
    args = parse_args()
    model_path = args.model_name_or_path

    if is_torch_npu_available():
        device = "npu:0"
    else:
        device = "cpu"
    #device = "cpu"    
    start_time = time.time()
    tokenizer = AutoTokenizer.from_pretrained(model_path, trust_remote_code=True)
    model = AutoModelForCausalLM.from_pretrained(model_path, device_map=device, trust_remote_code=True)

    messages = [
        {"role": "user", "content": "你好，你是谁？"},
    ]
    model_inputs = tokenizer.apply_chat_template(messages, return_tensors="pt", add_generation_prompt=True).to(device)

    model_outputs = model.generate(
        model_inputs,
        max_new_tokens=1024,
        top_p=0.7,
        temperature=0.7
    )

    output_token_ids = [
        model_outputs[i][len(model_inputs[i]):] for i in range(len(model_inputs))
    ]

    responses = tokenizer.batch_decode(output_token_ids, skip_special_tokens=True)[0]
    print(responses)
    end_time = time.time()
    print(f"硬件环境：{device},推理执行时间：{end_time - start_time}秒")

if __name__ == "__main__":
    main()

评估与性能

详细的评估结果已在本📑 博客中公布。

关于量化模型，其与原始bfloat16模型的基准测试结果可参见此处。

有关GPU内存需求及相应吞吐量，请查看此处的结果。

引用

如果您觉得我们的工作对您有所帮助，欢迎引用我们的成果。

@misc{qwen2.5,
    title = {Qwen2.5: A Party of Foundation Models},
    url = {https://qwenlm.github.io/blog/qwen2.5/},
    author = {Qwen Team},
    month = {September},
    year = {2024}
}
@article{qwen2,
      title={Qwen2 Technical Report}, 
      author={An Yang and Baosong Yang and Binyuan Hui and Bo Zheng and Bowen Yu and Chang Zhou and Chengpeng Li and Chengyuan Li and Dayiheng Liu and Fei Huang and Guanting Dong and Haoran Wei and Huan Lin and Jialong Tang and Jialin Wang and Jian Yang and Jianhong Tu and Jianwei Zhang and Jianxin Ma and Jin Xu and Jingren Zhou and Jinze Bai and Jinzheng He and Junyang Lin and Kai Dang and Keming Lu and Keqin Chen and Kexin Yang and Mei Li and Mingfeng Xue and Na Ni and Pei Zhang and Peng Wang and Ru Peng and Rui Men and Ruize Gao and Runji Lin and Shijie Wang and Shuai Bai and Sinan Tan and Tianhang Zhu and Tianhao Li and Tianyu Liu and Wenbin Ge and Xiaodong Deng and Xiaohuan Zhou and Xingzhang Ren and Xinyu Zhang and Xipin Wei and Xuancheng Ren and Yang Fan and Yang Yao and Yichang Zhang and Yu Wan and Yunfei Chu and Yuqiong Liu and Zeyu Cui and Zhenru Zhang and Zhihao Fan},
      journal={arXiv preprint arXiv:2407.10671},
      year={2024}
}

简介

显著提升知识量，并大幅增强代码和数学能力，这得益于我们在这些领域的专业专家模型。

在指令遵循、长文本生成（超过 8K tokens）、结构化数据理解（如表格）以及结构化输出生成（尤其是 JSON）方面有显著改进。对系统提示的多样性更具适应性，增强了聊天机器人的角色扮演实现和条件设定能力。

长上下文支持，最长可达 128K tokens，生成文本长度可达 8K tokens。

多语言支持，覆盖超过 29 种语言，包括中文、英语、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、阿拉伯语等。

本仓库包含经 GPTQ 量化的 8 位指令微调 0.50B Qwen2.5 模型，其具有以下特点：

类型：因果语言模型

训练阶段：预训练与后训练

架构：采用 RoPE、SwiGLU、RMSNorm、注意力 QKV 偏置和绑定词嵌入的 transformers

参数数量：0.49B

非嵌入参数数量：0.36B

层数：24

注意力头数（GQA）：Q 为 14，KV 为 2

上下文长度：完整 32,768 tokens，生成 8192 tokens

量化方式：GPTQ 8 位

更多详情，请参考我们的博客、GitHub 和文档。

快速开始

这里提供了一个使用 apply_chat_template 的代码片段，向你展示如何加载分词器和模型以及如何生成内容。

from openmind import AutoModelForCausalLM,AutoTokenizer, AutoModel, is_torch_npu_available
from openmind_hub import snapshot_download
import torch
import argparse
import torch.nn.functional as F
import time

def parse_args():
    parser = argparse.ArgumentParser()
    parser.add_argument(
        "--model_name_or_path",
        type=str,
        help="Path to model",
        default="/home/ma-user/work/pretrainmodel/Qwen2.5-0.5B-Instruct-GPTQ-Int8",
    )
    args = parser.parse_args()
    return args

def main():
    args = parse_args()
    model_path = args.model_name_or_path

    if is_torch_npu_available():
        device = "npu:0"
    else:
        device = "cpu"
    #device = "cpu"    
    start_time = time.time()
    tokenizer = AutoTokenizer.from_pretrained(model_path, trust_remote_code=True)
    model = AutoModelForCausalLM.from_pretrained(model_path, device_map=device, trust_remote_code=True)

    messages = [
        {"role": "user", "content": "你好，你是谁？"},
    ]
    model_inputs = tokenizer.apply_chat_template(messages, return_tensors="pt", add_generation_prompt=True).to(device)

    model_outputs = model.generate(
        model_inputs,
        max_new_tokens=1024,
        top_p=0.7,
        temperature=0.7
    )

    output_token_ids = [
        model_outputs[i][len(model_inputs[i]):] for i in range(len(model_inputs))
    ]

    responses = tokenizer.batch_decode(output_token_ids, skip_special_tokens=True)[0]
    print(responses)
    end_time = time.time()
    print(f"硬件环境：{device},推理执行时间：{end_time - start_time}秒")

if __name__ == "__main__":
    main()

引用

如果您觉得我们的工作对您有所帮助，欢迎引用我们的成果。

@misc{qwen2.5,
    title = {Qwen2.5: A Party of Foundation Models},
    url = {https://qwenlm.github.io/blog/qwen2.5/},
    author = {Qwen Team},
    month = {September},
    year = {2024}
}
@article{qwen2,
      title={Qwen2 Technical Report}, 
      author={An Yang and Baosong Yang and Binyuan Hui and Bo Zheng and Bowen Yu and Chang Zhou and Chengpeng Li and Chengyuan Li and Dayiheng Liu and Fei Huang and Guanting Dong and Haoran Wei and Huan Lin and Jialong Tang and Jialin Wang and Jian Yang and Jianhong Tu and Jianwei Zhang and Jianxin Ma and Jin Xu and Jingren Zhou and Jinze Bai and Jinzheng He and Junyang Lin and Kai Dang and Keming Lu and Keqin Chen and Kexin Yang and Mei Li and Mingfeng Xue and Na Ni and Pei Zhang and Peng Wang and Ru Peng and Rui Men and Ruize Gao and Runji Lin and Shijie Wang and Shuai Bai and Sinan Tan and Tianhang Zhu and Tianhao Li and Tianyu Liu and Wenbin Ge and Xiaodong Deng and Xiaohuan Zhou and Xingzhang Ren and Xinyu Zhang and Xipin Wei and Xuancheng Ren and Yang Fan and Yang Yao and Yichang Zhang and Yu Wan and Yunfei Chu and Yuqiong Liu and Zeyu Cui and Zhenru Zhang and Zhihao Fan},
      journal={arXiv preprint arXiv:2407.10671},
      year={2024}
}