Qwen2.5-7B-Instruct-GPTQ-Int8 - Qwen2.5模型实现多语言支持与优化长文本处理

项目介绍：Qwen2.5-7B-Instruct-GPTQ-Int8

项目简介

Qwen2.5是最新系列的Qwen大型语言模型。在Qwen2.5中，推出了多个基础语言模型和经过指令调优的语言模型，其参数规模从0.5亿到72亿不等。与第二代Qwen相比，Qwen2.5在以下几个方面有显著提升：

大幅度增加知识储备，在编程和数学计算能力上有极大提升，这得益于专门领域的专家模型。
在指令跟随、生成长篇文本（超过8K个标记）、理解结构化数据（如表格）以及生成结构化输出（尤其是JSON格式）上有显著提升。对系统提示的多样性拥有更强的抵抗力，从而改善聊天机器人的角色扮演和条件设定。
支持长文本上下文，最多可达128K个标记，能够生成多达8K个标记。
提供多语言支持，涵盖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。

本项目提供了经过GPTQ量化的8位指令调优7B Qwen2.5模型，具有以下特征：

类型：自回归语言模型
训练阶段：包括预训练和后续训练
架构：采用transformers技术，结合RoPE、SwiGLU、RMSNorm和Attention QKV偏置
参数数量：总计7.61亿，非嵌入部分为6.53亿
层数：28层
注意力头数量（GQA）：Q部分28个，KV部分4个
上下文长度：全长支持131,072个标记，生成支持8192个标记
量化：GPTQ 8位

关于更多详情，请参考我们的博客、GitHub和文档。

使用要求

Qwen2.5的代码已集成在最新版本的Hugging Face transformers库中，建议使用最新版本。如果使用transformers<4.37.0，将会遇到如下错误：

KeyError: 'qwen2'

此外，建议用户查阅我们的GPTQ文档以获取更多使用指南。

快速开始

下面是一段代码示例，展示了如何使用apply_chat_template加载分词器和模型并生成内容：

from transformers import AutoModelForCausalLM, AutoTokenizer
model_name = "Qwen/Qwen2.5-7B-Instruct-GPTQ-Int8"
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype="auto",
    device_map="auto"
)
tokenizer = AutoTokenizer.from_pretrained(model_name)
prompt = "给我一份关于大型语言模型的简要介绍。"
messages = [
    {"role": "system", "content": "你是Qwen，由阿里云创建。你是一个乐于助人的助手。"},
    {"role": "user", "content": prompt}
]
text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True
)
model_inputs = tokenizer([text], return_tensors="pt").to(model.device)
generated_ids = model.generate(
    **model_inputs,
    max_new_tokens=512
)
generated_ids = [
    output_ids[len(input_ids):] for input_ids, output_ids in zip(model_inputs.input_ids, generated_ids)
]
response = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]

处理长文本

当前config.json文件设定上下文长度最高为32,768个标记。为了处理超过32,768个标记的长文本输入，我们采用了YaRN技术，这是一种增强模型长度推导能力的方法，以确保在处理长文本时达到最佳性能。

要在支持的框架中启用YaRN，可以在config.json中添加如下配置：

{
  ...,
  "rope_scaling": {
    "factor": 4.0,
    "original_max_position_embeddings": 32768,
    "type": "yarn"
  }
}

在部署时，建议使用vLLM。对于不熟悉vLLM的用户，请参考我们的文档。目前，vLLM仅支持静态YARN，这意味着无论输入长度如何，缩放因子保持不变，可能影响短文本的性能。因此，当仅需处理长文本时，建议添加rope_scaling配置。

评估与性能

有关详细的评估结果，请参见此📑博客。

对于量化模型，与原生bfloat16模型的基准对比结果可以在这里找到。

关于GPU内存需求及相应的吞吐量结果，详见这里。

引用

如果您觉得我们的工作对您有帮助，欢迎进行引用：

@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}
}