Qwen3VL 使用指南
目录
版本说明
参考实现
url=https://github.com/huggingface/transformers.git
commit_id=c0dbe09
变更记录
2026.03.16：首次基于FSDP2后端支持Qwen3-VL模型。
环境安装
1. 环境准备
【模型开发时推荐使用配套的环境版本】
请参考安装指南，完成昇腾软件安装。
Python版本推荐3.10，torch和torch_npu版本推荐2.7.1版本
‼️MoE部分的加速特性依赖较新版本的torch_npu和CANN，推荐使用以下版本
2. 环境搭建
# 拉取MindSpeed MM代码仓，并进入代码仓根目录：
git clone https://gitcode.com/Ascend/MindSpeed-MM.git
# 安装mindspeed及依赖
git clone https://gitcode.com/Ascend/MindSpeed.git
cd MindSpeed
cp -r mindspeed ../MindSpeed-MM/
# 安装mindspeed mm及依赖
cd ../MindSpeed-MM
pip install -e .
权重下载及转换
1. 权重下载
从Hugging Face库下载对应的模型权重:
- 模型地址: Qwen3-VL-*B；
将下载的模型权重保存到本地的ckpt/Qwen3-VL-*B-Instruct目录下。(*表示对应的尺寸)
如果使用fsdp2的meta init初始化模型，需要先完成以下权重转换
mm-convert GenericDCPConverter hf_to_dcp \
--hf_dir ckpt/Qwen3-VL-30B-Instruct \
--dcp_dir ckpt/Qwen3-VL-30B-Instruct-dcp
# 转换后的目录结构为：
# ———— Qwen3-VL-30B-Instruct-dcp
# |—— release
# |—— latest_checkpointed_iteration.txt
并在qwen3vl_30B_config_v1.yaml中将init_model_with_meta_device参数配置为True，同时将load参数修改为转换后的dcp权重路径（写到release文件夹的上一级目录）。
数据集准备及处理
1. 数据集下载(以coco2017数据集为例)
(1) 用户需要自行下载COCO2017数据集COCO2017，并解压到项目目录下的./data/COCO2017文件夹中。
(2) 获取图片数据集的描述文件（LLaVA-Instruct-150K），下载至./data/路径下。
(3) 运行数据转换脚本python examples/qwen2vl/llava_instruct_2_mllm_demo_format.py，转换后参考数据目录结构如下：
$playground
├── data
├── COCO2017
├── train2017
├── llava_instruct_150k.json
├── mllm_format_llava_instruct_data.json
...
微调
1. 准备工作
配置脚本前需要完成前置准备工作，包括：环境安装、权重下载及转换、数据集准备及处理，详情可查看对应章节。
2. 配置参数
【数据目录配置】
根据实际情况修改qwen3vl_30B_config_v1.yaml中的数据集路径，包括model_name_or_path、dataset_dir、dataset等字段，建议均配置为绝对路径。
示例：如果数据及其对应的json都在/home/user/data/目录下，其中json目录为/home/user/data/video_data_path.json，此时配置如下：
dataset_dir配置为/home/user/data/;
dataset配置为/home/user/data/video_data_path.json
注意cache_dir在多机上不要配置同一个挂载目录避免写入同一个文件导致冲突。
【模块冻结配置】
当前支持自定义冻结模块，在qwen3vl_30B_config_v1.yaml中model->freeze字段中配置需要冻结的模块即可实现相应模块冻结。
【模型保存加载及日志信息配置】
根据实际情况配置qwen3vl_30B_config_v1.yaml的training参数，包括保存路径以及保存间隔save、save_interval。
【单机运行配置】
以Qwen3-VL-30B模型为例：
配置examples/qwen3vl/finetune_qwen3vl_30B_v1.sh参数如下
# 根据实际情况修改 ascend-toolkit 路径
source /usr/local/Ascend/ascend-toolkit/set_env.sh
NPUS_PER_NODE=16
MASTER_ADDR=localhost
MASTER_PORT=6000
NNODES=1
NODE_RANK=0
WORLD_SIZE=$(($NPUS_PER_NODE*$NNODES))
【多机运行配置】 如需拉起多机训练，修改启动脚本下 MASTER_ADDR、NODE_ADDR、NODES以及NODE_RANK变量
MASTER_ADDR: 主节点IP地址
NODE_ADDR: 本机IP地址
NODE_RANK: 第几个节点
NNODES: 一共几个节点
3. 启动微调
loss计算方式差异会对训练效果造成不同的影响，在启动训练任务之前，请查看关于loss计算的文档，选择合适的loss计算方式vlm_model_loss_calculate_type.md
可在qwen3vl_30B_config_v1.yaml的model参数中配置上述文档中的loss_type。
bash examples/qwen3vl/finetune_qwen3vl_30B_v1.sh
环境变量声明
| 环境变量 | 描述 | 取值说明 |
|---|---|---|
TASK_QUEUE_ENABLE |
用于控制开启task_queue算子下发队列优化的等级 | 0: 关闭1: 开启Level 1优化2: 开启Level 2优化 |
CPU_AFFINITY_CONF |
控制CPU端算子任务的处理器亲和性，即设定任务绑核 | 设置0或未设置: 表示不启用绑核功能1: 表示开启粗粒度绑核2: 表示开启细粒度绑核 |
HCCL_CONNECT_TIMEOUT |
用于限制不同设备之间socket建链过程的超时等待时间 | 需要配置为整数，取值范围[120,7200]，默认值为120，单位s |
PYTORCH_NPU_ALLOC_CONF |
控制缓存分配器行为 | expandable_segments:<value>: 使能内存池扩展段功能，即虚拟内存特征 |
MULTI_STREAM_MEMORY_REUSE |
配置多流内存复用是否开启 | 0: 关闭多流内存复用1: 开启多流内存复用 |
NPUS_PER_NODE |
配置一个计算节点上使用的NPU数量 | 整数值（如 1, 8 等） |