Qwen1.5模型微调后GPTQ量化部署的tensor并行问题解析

问题背景

在使用Qwen1.5-14B-Chat模型进行LoRA微调后，再进行GPTQ量化成int4格式时，用户遇到了一个特定的部署问题：当使用vLLM框架进行部署时，如果设置tensor-parallel-size大于1（即尝试多GPU并行推理），会出现"ValueError: The input size is not aligned with the quantized weight shape"的错误。而原始未微调的Qwen1.5-14B-Chat-GPTQ-int4模型则没有这个问题。

技术分析

这个问题源于Qwen1.5-14B模型的中间层维度设计。14B参数规模的模型由于其特殊的中间层维度配置，在GPTQ量化后会导致权重形状对齐问题。具体来说：

1. 原始模型处理：官方已经对14B-Chat-GPTQ模型进行了更新，通过补零(padding)的方式解决了权重形状对齐问题，使得可以在多GPU上并行推理。

2. 微调后模型：当用户对14B-Chat模型进行LoRA微调后，再进行GPTQ量化时，由于微调后的模型没有经过同样的补零处理，导致在多GPU并行时出现权重形状不匹配的问题。

解决方案

对于遇到此问题的用户，可以考虑以下几种解决方案：

1. 单GPU推理：暂时使用tensor-parallel-size=1进行单GPU推理，这是最直接的解决方法。

2. 模型补零处理：参考官方对14B-Chat-GPTQ模型的处理方式，对微调后的模型权重进行适当的补零处理，确保在多GPU并行时的形状对齐。

3. 等待官方更新：关注Qwen1.5项目的更新，未来可能会提供对微调后模型更好的多GPU支持。

技术建议

对于需要进行大规模模型部署的用户，建议：

1. 在微调前仔细评估模型规模与部署需求，14B模型可能需要特殊处理才能实现多GPU并行。

2. 考虑使用更小规模的模型（如7B）进行微调，这些模型通常没有此类并行问题。

3. 在进行GPTQ量化时，确保使用与部署环境相匹配的量化配置，特别是当计划在多GPU上运行时。

总结

Qwen1.5-14B模型在多GPU并行推理时的特殊要求，特别是在微调后模型上的表现，提醒我们在模型工程化过程中需要考虑部署环节的各种约束。理解模型架构的细节和量化技术的内在限制，对于成功部署大规模语言模型至关重要。