Transformers documentation

NVFP4

Hugging Face's logo
Join the Hugging Face community

and get access to the augmented documentation experience

to get started

NVFP4

A quantização NVFP4 empacota os pesos lineares de precisão completa no formato de ponto flutuante de 4 bits da NVIDIA enquanto o modelo é carregado. NVFP4Config substitui os módulos torch.nn.Linear elegíveis, sem viés, cujos in_features e out_features são ambos divisíveis por 16, por uma implementação linear NVFP4 do NVFP4 Hub kernel. As interfaces de atenção e MLP do modelo não são substituídas.

O NVFP4 requer uma GPU Blackwell com capacidade de computação 10.0 ou mais recente, uma build compatível do PyTorch habilitada para CUDA e o pacote kernels.

Instale o Accelerate e uma versão compatível do kernels.

pip install --upgrade accelerate kernels

Passe NVFP4Config para from_pretrained() com um único dispositivo CUDA. Os pesos são quantizados conforme são carregados, portanto, o checkpoint de origem deve conter pesos em ponto flutuante.

import torch

from transformers import AutoModelForCausalLM, AutoTokenizer, NVFP4Config


model_id = "meta-llama/Llama-3.2-1B"
quantization_config = NVFP4Config()
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    dtype=torch.bfloat16,
    device_map="cuda",
    quantization_config=quantization_config,
)

tokenizer = AutoTokenizer.from_pretrained(model_id)
inputs = tokenizer("NVFP4 is", return_tensors="pt").to(model.device)
output = model.generate(**inputs, max_new_tokens=20)
print(tokenizer.decode(output[0], skip_special_tokens=True))

Use modules_to_not_convert para manter módulos selecionados em sua precisão original.

quantization_config = NVFP4Config(modules_to_not_convert=["vision", "lm_head"])

Os módulos lineares NVFP4 têm suporte a torch.compile. A primeira invocação compilada inclui o tempo de compilação do grafo, portanto, aqueça o modelo antes de medir o throughput de geração.

Limitações atuais

  • Apenas um dispositivo CUDA é suportado. Configurações de paralelismo de tensor e de múltiplos dispositivos com device_map são rejeitadas até que o comportamento de sharding dos metadados de escala NVFP4 seja definido.
  • O offload para CPU e disco não é suportado.
  • Checkpoints NVFP4 pré-quantizados não são suportados.
  • Modelos NVFP4 não podem, no momento, ser serializados com save_pretrained() nem treinados.
Update on GitHub