Qwen3.5-27B-FP8-PerChannel

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

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）