MoonViT-SO-400M on Ascend NPU
1. 简介
本文档记录 MoonViT-SO-400M 在昇腾 NPU（Ascend 910B3）环境的适配部署与精度验证结果。
MoonViT-SO-400M 是一种原生分辨率视觉编码器（Native-resolution Vision Encoder），基于 SigLIP-SO-400M 初始化并持续预训练，来自 Kimi-VL 技术报告。该模型支持任意分辨率图像输入，输出 patch-level 视觉特征。本项目完成该模型在昇腾 NPU 上的推理适配，并验证 NPU 与 CPU 推理结果的精度误差 < 1%。
相关地址：
2. 验证环境
| 组件 | 版本 |
|---|
| Python | 3.11.15 |
| PyTorch | 2.10.0+cpu |
| torch_npu | 2.10.0 |
| transformers | 5.8.1 |
| CANN | 8.5.1 |
| NPU 驱动 | 25.5.2 |
| NPU 硬件 | Ascend 910B3 (8卡) |
| 操作系统 | Linux (aarch64) |
3. 模型信息
| 项目 | 值 |
|---|
| 模型架构 | MoonViT（自定义，trust_remote_code） |
| 参数量 | ~400M |
| Hidden Size | 1152 |
| Layers | 27 |
| Attention Heads | 16 |
| Patch Size | 14 |
| 输入尺寸 | 可变（原生分辨率） |
| 输出 | patch-level 特征张量 |
| 权重格式 | safetensors |
| 权重大小 | 796MB |
| 原始框架 | PyTorch (transformers + trust_remote_code) |
| 训练方法 | SigLIP 初始化 + 持续预训练 |
| 预训练数据 | Kimi-VL 训练数据 |
| 许可证 | MIT |
4. Conda 环境安装
创建独立的 conda 环境并安装依赖（使用华为云 PyPI 镜像加速）：
# 创建 conda 环境
conda create -n moonvit python=3.11 -y
# 激活环境
conda activate moonvit
# 安装 PyTorch 及相关依赖（华为云镜像）
pip install torch==2.10.0 torchvision==0.25.0 --index-url https://repo.huaweicloud.com/repository/pypi/simple/
# 安装 torch_npu（根据环境选择对应版本）
pip install torch_npu==2.10.0 --index-url https://repo.huaweicloud.com/repository/pypi/simple/
# 安装 transformers 及其他依赖
pip install transformers safetensors pillow --index-url https://repo.huaweicloud.com/repository/pypi/simple/
如果 HuggingFace 网络不通，设置镜像：
export HF_ENDPOINT=https://hf-mirror.com/
5. 推理执行
单张图像推理
# NPU 推理（默认）
python3 inference.py \
--model_path /path/to/MoonViT-SO-400M \
--image_path /path/to/image.jpg \
--device npu:0
# CPU 推理
python3 inference.py \
--model_path /path/to/MoonViT-SO-400M \
--image_path /path/to/image.jpg \
--device cpu
精度与性能评测
# 自动生成测试图像，对比 NPU 与 CPU 推理精度
python3 eval.py \
--model_path /path/to/MoonViT-SO-400M \
--npu_device npu:0
评测结果日志将输出到 log.txt。
6. 参数说明
inference.py 参数
| 参数 | 说明 | 默认值 |
|---|
--model_path | 模型权重路径 | 必需 |
--image_path | 输入图像路径 | 必需 |
--device | 运行设备（npu:0 或 cpu） | npu:0 |
--no_warmup | 跳过预热阶段 | False |
--warmup_image | 预热用图像路径 | 同 --image_path |
eval.py 参数
| 参数 | 说明 | 默认值 |
|---|
--model_path | 模型权重路径 | 模型路径 |
--image_path | 测试图像路径（默认自动生成） | 自动生成 |
--npu_device | NPU 设备 ID | npu:0 |
--num_warmup | NPU 预热轮数 | 3 |
7. 精度评测结果
评测方法
使用同一张测试图像分别在 CPU（FP32）和 NPU（FP32）上运行推理，对比 MoonViT 输出的 patch-level 特征张量的差异。
评价指标说明
| 指标 | 含义 | 判定阈值 |
|---|
| 向量级相对误差 | ` | |
| 余弦相似度 | NPU 与 CPU 输出向量间的方向一致性 | > 0.99 |
| 最大/平均绝对误差 | 逐元素差值统计，反映数值偏差的绝对量级 | — |
| 绝对误差分位数 | 误差分布特征（P50/P90/P95/P99） | — |
精度结果
| 输出张量 | 向量级相对误差 | 余弦相似度 | 最大绝对误差 | 平均绝对误差 |
|---|
| output | 0.007343% | 1.0000000000 | 8.59e-02 | 6.59e-05 |
绝对误差分布：
| 输出张量 | P50 | P90 | P95 | P99 |
|---|
| output | 3.08e-05 | 1.45e-04 | 2.19e-04 | 4.82e-04 |
判定结论
| 指标 | 实测值 | 阈值 | 状态 |
|---|
| 向量级相对误差 | 0.007343% | < 1% | ✅ PASS |
| 余弦相似度 | 1.000000 | > 0.99 | ✅ PASS |
8. 性能数据
| 操作 | 耗时 |
|---|
| CPU 推理时间（FP32） | 3.2739s |
| NPU 推理时间（FP32，3轮预热后） | 0.0761s |
| 加速比 (CPU / NPU) | 43.03x |
9. 注意事项
- trust_remote_code：该模型使用自定义 MoonViT 架构，加载时需要设置
trust_remote_code=True。自定义代码已包含在权重目录中，加载时自动使用本地代码。
- 原生分辨率：MoonViT 支持任意分辨率输入，预处理器的
image_grid_hws 参数用于表示分块信息。测试使用默认 224×224 图像。
- 归一化参数：图像预处理使用
mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5]，与标准 ImageNet 不同。
- NPU 预热：NPU 首次推理包含算子编译优化，需 1-2 轮预热才能达到稳定性能。脚本默认开启 3 轮预热。
- 精度：本模型使用 FP32 精度，NPU 与 CPU 输出误差极小（远小于 1%），不影响下游任务效果。
- 权重文件：模型权重（.safetensors）不包含在适配仓库中，需单独下载。
