使用Intel Extension for Transformers加速Qwen2模型

Qwen2是阿里巴巴推出的新一代大语言模型系列，覆盖从0.5B到72B的参数规模，甚至包含混合专家模型。今天我们聚焦一个具体场景：如何借助Intel Extension for Transformers，在英特尔至强处理器上高效运行低比特量化的Qwen2模型。整个流程并不复杂——先用Intel Extension for Transformers自带的AutoRound算法把模型压缩到4位，然后无缝衔接推理。下面直接看实操。

先说量化结果。我们用AutoRound对Qwen2-1.5B和Qwen2-7B做了INT4权重量化，采用group size=128、对称量化。表1展示了BF16基准与INT4的准确率对比。

Qwen2 1.5B/7B AutoRound BF16/INT4 准确性比较

如果你不想自己跑量化流程，可以直接从Hugging Face下载我们已经量化好的INT4模型：

• Qwen2–0.5B-instuct-int4-inc

• Qwen2–1.5B-instuct-int4-inc

• Qwen2–7B-int4-inc

下面给出两段关键代码，一段是量化，一段是推理，都用到了Intel Extension for Transformers的Neural Speed后端。

量化代码（基于AutoRound）：

##pip install auto-round
from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "Qwen/Qwen2-1.5B"
model = AutoModelForCausalLM.from_pretrained(model_name, torch_dtype="auto", trust_remote_code=True)
tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True)

from auto_round import AutoRound
bits, group_size, sym = 4, 128, True
device="cpu"
autoround = AutoRound(model, tokenizer, bits=bits, group_size=group_size, sym=sym, device=None)
autoround.quantize()
output_dir = "./qwen2_7b_autoround"
autoround.sa ve_quantized(output_dir)

推理代码（加载量化模型并生成）：

from transformers import AutoTokenizer
from intel_extension_for_transformers.transformers import AutoModelForCausalLM, GPTQConfig

# Auto Round 量化模型
model_name = "./qwen2_7b_autoround"
prompt = "Once upon a time, a little girl"

tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True)
inputs = tokenizer(prompt, return_tensors="pt").input_ids
model = AutoModelForCausalLM.from_pretrained(model_name, trust_remote_code=True)
outputs = model.generate(inputs)

再说长上下文表现。Qwen2的指令微调模型都是在32K上下文长度下训练的，并采用了YARN、Dual Chunk Attention等技术来支持更长的推理。实测表明，当输入长度达到32K时，下一个令牌的延迟依然能控制在50毫秒以内：

总之，Intel Extension for Transformers提供了丰富的优化手段：除了本文展示的INT4量化，还有流式LLM、张量并行、甚至低至1位的压缩技术。API风格贴近Transformers，迁移成本很低。更详细的技术细节和最新版本可以查阅官方文档和GitHub仓库。