Qwen3.5-27B-FP8-PerChannel

⚠️ 重要说明

  • 来源模型: Qwen/Qwen3.5-27B(官方 BF16 原版)
  • 权重未做任何修改: 本模型是纯量化版本,未经过任何微调、蒸馏或去审查处理,权重数值与官方原版完全一致
  • 量化方式: per-channel FP8(每列一个 scale)+ dynamic activation(每次推理在线量化激活)
  • 量化工具: llmcompressor,scheme=FP8_DYNAMIC

量化配置

{
  "quant_method": "compressed-tensors",
  "config_groups": {
    "group_0": {
      "weights": {
        "strategy": "channel",
        "num_bits": 8,
        "type": "float",
        "dynamic": false
      },
      "input_activations": {
        "strategy": "token",
        "num_bits": 8,
        "type": "float",
        "dynamic": true
      }
    }
  }
}

与官方 FP8 版本的区别

本模型 Qwen/Qwen3.5-27B-FP8(官方)
权重来源 官方原版,未修改 官方原版,未修改
权重量化粒度 per-channel block 128×128
激活量化 dynamic dynamic
SGLang GEMM 后端 sgl_kernel.fp8_scaled_mm (CUTLASS) DeepGEMM / Triton
实测性能 (H20, 4k/4k, c=1) ~160 tok/s ~108 tok/s (DeepGEMM)

per-channel 版本在 decode 阶段(batch=1)比 block-wise 版本快约 50%,因为 per-channel 的 scale 处理更简单,GEMM kernel 开销更小。

模型文件

  • 模型大小: 28GB
  • 权重格式: safetensors (单文件)
  • 量化前模型大小: 52GB (BF16)
  • 压缩比: ~1.86x

推理使用方法

方式一: 直接使用本预量化模型

python3 -m sglang.launch_server \
    --model-path hangxian/Qwen3.5-27B-FP8-PerChannel \
    --tp 1 \
    --host 0.0.0.0 \
    --port 30000

方式二: 使用原始 BF16 模型 + 动态量化(效果相同)

python3 -m sglang.launch_server \
    --model-path Qwen/Qwen3.5-27B \
    --quantization fp8 \
    --tp 1 \
    --host 0.0.0.0 \
    --port 30000

两种方式在推理时效果完全一致,区别仅在于本模型预先将 FP8 权重存储在磁盘上,方式二在加载时在线量化。

适用场景

  • 需要减少显存占用(从 52GB 降至 28GB)
  • 需要提升 decode 吞吐(比 BF16 快约 50%)
  • 对精度要求可接受 per-channel FP8 的轻微损失

License

Apache 2.0(与原模型一致)

Downloads last month
28
Safetensors
Model size
27B params
Tensor type
BF16
·
F8_E4M3
·
Inference Providers NEW
This model isn't deployed by any Inference Provider. 🙋 Ask for provider support

Model tree for hangxian/Qwen3.5-27B-FP8-PerChannel

Base model

Qwen/Qwen3.5-27B
Quantized
(224)
this model