QwenLM/Qwen3项目中vLLM运行Qwen2.5-32B-Int4模型生成异常问题分析

在QwenLM/Qwen3项目中使用vLLM框架运行Qwen2.5-32B-Instruct-GPTQ-Int4量化模型时，部分用户遇到了模型输出异常的问题。具体表现为模型仅生成感叹号"!!!!!"序列，而非预期的合理回复。本文将从技术角度深入分析该问题的成因、影响范围及解决方案。

问题现象与重现条件

当用户通过vLLM框架加载Qwen2.5-32B-Instruct-GPTQ-Int4模型时，在特定条件下会出现输出异常：

• 使用较旧版本的vLLM（如0.5.1）时问题较为明显
• 输入序列较短（token数少于50）时更容易触发
• 使用默认系统提示词时几乎必然出现
• 相同模型通过HuggingFace原生接口推理则表现正常

根本原因分析

经过技术团队深入调查，发现问题源于vLLM框架中GPTQ量化实现的特定处理逻辑：

1. 双路径执行机制：vLLM的GPTQ实现针对不同长度的输入序列采用了两种计算路径

   • 短序列（<50 token）使用"快速路径"（fast path）
   • 长序列使用"重构路径"（reconstruct path，即先反量化再矩阵乘）

2. 数值稳定性问题：在快速路径下，特定输入（特别是默认系统提示词）会导致数值计算不稳定，这与底层使用的exllama_v2实现方式有关

3. 实现差异：虽然auto_gptq同样基于exllama_v2实现，但未出现相同问题，表明vLLM的特定实现存在额外因素影响

解决方案与变通方法

目前确认有效的解决方案包括以下几种：

1. 升级vLLM版本

建议升级至vLLM 0.6.4.post1或更高版本，新版框架可能已包含相关修复

2. 使用GPTQ-Marlin后端

对于Ampere架构及更新的GPU显卡，可以切换到gptq_marlin后端，该实现不受此问题影响

3. 修改源码阈值

技术用户可修改vLLM源码中的关键参数：

• 定位到量化计算的分支判断逻辑
• 将短序列阈值从50调整为0，强制所有序列使用重构路径
• 注意：这可能影响短序列的推理速度

4. 输入序列调整（临时方案）

在业务代码中添加特定处理：

if len(messages) <= 1:
    messages.extend([
        {"role":"user","content":"你好"},
        {"role":"assistant","content":"!!..."}  # 添加足够长的占位回复
    ])

此方法通过人为延长输入序列，强制系统使用重构路径

技术建议与最佳实践

对于生产环境部署Qwen2.5-32B-Int4模型的用户，建议采取以下策略：

1. 版本控制：保持vLLM框架为最新稳定版本
2. 后端选择：优先考虑gptq_marlin后端（若硬件支持）
3. 监控机制：实现输出质量检查，自动识别异常生成
4. 量化方案评估：对于关键应用，可考虑使用更高精度的量化版本（如Int8）

未来改进方向

Qwen技术团队正与vLLM维护者合作，从以下方面进行改进：

1. 优化快速路径的数值稳定性
2. 提供更灵活的后端选择机制
3. 完善量化模型部署文档和最佳实践指南

该问题的解决将进一步提升Qwen系列大模型在量化状态下的推理可靠性和用户体验。