类Qwen3_VL 使用指南

注意

本目录下模型为类Qwen3VL模型，在Qwen2.5VL的基础结构上将LLM模块替换成了Qwen3-MoE，正式的Qwen3VL待官方发布后支持。

目录

• 版本说明
  • 参考实现
  • 变更记录
• 环境安装
  • 仓库拉取
  • 环境搭建
• 权重下载及转换
  • 权重下载
  • 权重转换hf2mm
  • 权重转换mm2hf
• 数据集准备及处理
  • 数据集下载
  • 混合数据集处理
• 微调
  • 准备工作
  • 配置参数
  • 启动微调
• 推理
  • 准备工作
  • 启动推理
• 视频理解
  • 加载数据集
  • 配置参数
  • 启动微调
• 评测
  • 数据集准备
  • 配置参数
  • 启动评测
• 环境变量声明
• 注意事项

版本说明

参考实现

url=https://github.com/hiyouga/LLaMA-Factory.git
commit_id=e8c1979
# transformers版本
url=https://github.com/huggingface/transformers.git
commit_id=fa56dcc

变更记录

2025.06.05: 参考Qwen3作为语言模块，Qwen2.5ViT或InternViT作为视觉模块，基于Qwen2.5-VL实现

---

环境安装

【模型开发时推荐使用配套的环境版本】

请参考安装指南

1. 仓库拉取

git clone --branch 2.2.0 https://gitcode.com/Ascend/MindSpeed-MM.git
git clone https://github.com/NVIDIA/Megatron-LM.git
cd Megatron-LM
git checkout core_v0.12.1
cp -r megatron ../MindSpeed-MM/
cd ..
cd MindSpeed-MM
mkdir logs
mkdir data
mkdir ckpt

2. 环境搭建

# python3.10
conda create -n test python=3.10
conda activate test

# 安装 torch 和 torch_npu，注意要选择对应python版本、x86或arm的torch及torch_npu包
# 下载路径参考 https://www.hiascend.com/document/detail/zh/Pytorch/60RC3/configandinstg/instg/insg_0001.html
pip install torch-2.7.1-cp310-cp310-manylinux_2_28_aarch64.whl
pip install torch_npu-2.7.1*-cp310-cp310-manylinux_2_28_aarch64.whl

# 安装加速库
git clone https://gitcode.com/Ascend/MindSpeed.git
cd MindSpeed
# checkout commit from MindSpeed core_r0.12.1
git checkout 5176c6f5f133111e55a404d82bd2dc14a809a6ab
pip install -r requirements.txt
pip3 install -e .
cd ..
# 安装其余依赖库
pip install -e .

---

权重下载及转换

1. 权重下载

从Huggingface库下载对应的模型权重:

• 模型地址: Qwen2.5-VL-3B；
• 模型地址: Qwen2.5-VL-7B；
• 模型地址: Qwen2.5-VL-32B；
• 模型地址: Qwen2.5-VL-72B；
• 模型地址: Qwen3-30B-A3B；

将下载的模型权重分别保存到本地的ckpt/hf_path/Qwen2-VL-*B-Instruct和ckpt/hf_path/Qwen3-30B-A3B目录下。(*表示对应的尺寸)

2. 权重转换(hf2mm)

MindSpeed-MM修改了部分原始网络的结构名称，使用mm-convert工具对原始预训练权重进行转换。详细用法参考权重转换工具，该工具目前支持LLM部分权重单独从纯LLM的hf权重中加载，添加--config.llm_hf_config.hf_dir。

# 7b + qwen3_30b_a3b
mm-convert  Qwen3_VLConverter hf_to_mm \
  --cfg.mm_dir "ckpt/mm_path/Qwen3-VL-30B-A3B" \
  --cfg.hf_config.hf_dir "ckpt/hf_path/Qwen2.5-VL-7B-Instruct" \
  --cfg.llm_hf_config.hf_dir "ckpt/hf_path/Qwen3-30B-A3B" \
  --cfg.parallel_config.ep_size 8 \
  --cfg.parallel_config.tp_size 1 \
  --cfg.parallel_config.llm_pp_layers [[48]] \
  --cfg.parallel_config.vit_pp_layers [[32]] 
  

# 其中：
# mm_dir: 转换后保存目录
# hf_config.hf_dir: VLM的huggingface权重目录
# llm_hf_config.hf_dir： LLM的huggingface权重目录，如果添加了该参数，模型中LLM的权重将会从该目录下加载并替换VLM中的LLM权重。
# ep_size： ep并行数量，注意要和微调启动脚本中的配置一致
# tp_size: tp并行数量，注意要和微调启动脚本中的配置一致
# llm_pp_layers: llm在每个卡上切分的层数，注意要和model.json中配置的pipeline_num_layers一致
# vit_pp_layers: vit在每个卡上切分的层数，注意要和model.json中配置的pipeline_num_layers一致

同步修改examples/qwen3vl_dev/finetune_qwen3_vl_30b_a3b.sh中的LOAD_PATH参数，该路径为转换后或者切分后的权重，注意与原始权重 ckpt/hf_path/Qwen2.5-VL-7B-Instruct进行区分。

注意 如果模型中的LLM权重是单独加载的，那么模型的projector权重将随机初始化，需要在megatron/training/checkpointing.py的load_checkpoint函数中手动将strict设置为False。

LOAD_PATH="ckpt/mm_path/Qwen3-VL-30B-A3B"

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;

$playground
├── data
    ├── COCO2017
        ├── train2017

    ├── llava_instruct_150k.json
    ├── mllm_format_llava_instruct_data.json
    ...

---

当前支持读取多个以,（注意不要加空格）分隔的数据集，配置方式为data.json中 dataset_param->basic_parameters->dataset 从"./data/mllm_format_llava_instruct_data.json"修改为"./data/mllm_format_llava_instruct_data.json,./data/mllm_format_llava_instruct_data2.json"

同时注意data.json中dataset_param->basic_parameters->max_samples的配置，会限制数据只读max_samples条，这样可以快速验证功能。如果正式训练时，可以把该参数去掉则读取全部的数据。

2.纯文本或有图无图混合训练数据(以LLaVA-Instruct-150K为例)

现在本框架已经支持纯文本/混合数据（有图像和无图像数据混合训练）。

在数据构造时，对于包含图片的数据，需要保留image这个键值。

{
  "id": your_id,
  "image": your_image_path,
  "conversations": [
      {"from": "human", "value": your_query},
      {"from": "gpt", "value": your_response},
  ],
}

在数据构造时，对于纯文本数据，可以去除image这个键值。

{
  "id": your_id,
  "conversations": [
      {"from": "human", "value": your_query},
      {"from": "gpt", "value": your_response},
  ],
}

注意: 如果运行internvit+qwen3模型，数据准备参考InternVL章节的数据集准备。

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data.json中的数据集路径，包括model_name_or_path、dataset_dir、dataset等字段。

以Qwen3VL为例，data.json进行以下修改，注意model_name_or_path的权重路径为转换前的权重路径。

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。

{
    "dataset_param": {
        "dataset_type": "huggingface",
        "preprocess_parameters": {
            "model_name_or_path": "./ckpt/hf_path/Qwen2.5-VL-7B-Instruct",
            ...
        },
        "basic_parameters": {
            ...
            "dataset_dir": "./data",
            "dataset": "./data/mllm_format_llava_instruct_data.json",
            "cache_dir": "./data/cache_dir",
            ...
        },
        ...
    },
    ...
}

注意：若运行internvit+qwen3模型，请参考data_internvit.json配置相应参数。

【模型保存加载及日志信息配置】

根据实际情况配置examples/qwen3vl_dev/finetune_qwen3_vl_30b_a3b.sh的参数，包括加载、保存路径以及保存间隔--save-interval（注意：分布式优化器保存文件较大耗时较长，请谨慎设置保存间隔）

...
# 加载路径
LOAD_PATH="ckpt/mm_path/Qwen3-VL-30B-A3B"
# 保存路径
SAVE_PATH="save_dir"
...
GPT_ARGS="
    ...
    --no-load-optim \  # 不加载优化器状态，若需加载请移除
    --no-load-rng \  # 不加载随机数状态，若需加载请移除
    --no-save-optim \  # 不保存优化器状态，若需保存请移除
    --no-save-rng \  # 不保存随机数状态，若需保存请移除
    ...
"
...
OUTPUT_ARGS="
    --log-interval 1 \  # 日志间隔
    --save-interval 5000 \  # 保存间隔
    ...
    --log-tps \  # 增加此参数可使能在训练中打印每步语言模块的平均序列长度，并在训练结束后计算每秒吞吐tokens量。
"

若需要加载指定迭代次数的权重、优化器等状态，需将加载路径LOAD_PATH设置为保存文件夹路径LOAD_PATH="save_dir"，并修改latest_checkpointed_iteration.txt文件内容为指定迭代次数 (此功能coming soon)

$save_dir
   ├── latest_checkpointed_iteration.txt
   ├── ...

注意：由于internvit+qwen3模型暂不支持权重转换，因此examples/qwen3vl_dev/finetune_internvit_qwen3_vl.sh中不设置--LOAD_PATH，模型将加载 随机初始化参数。

【单机运行配置】

配置examples/qwen3vl_dev/finetune_qwen3_vl_30b_a3b.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=8
MASTER_ADDR=localhost
MASTER_PORT=29501
NNODES=1
NODE_RANK=0
WORLD_SIZE=$(($NPUS_PER_NODE * $NNODES))

多机运行用户请根据使用机器的情况，相应修改NNODES,NPUS_PER_NODE 配置.

注意

• 当开启PP时，model.json中配置的vision_encoder和text_decoder的pipeline_num_layer参数控制了各自的PP切分策略。对于流水线并行，要先处理vision_encoder再处理text_decoder。 比如7b默认的值[32,0,0,0]、[1,10,10,7]，其含义为PP域内第一张卡先放32层vision_encoder再放1层text_decoder、第二张卡放text_decoder接着的10层、第三张卡放text_decoder接着的10层、第四张卡放text_decoder接着的7层，vision_encoder没有放完时不能先放text_decoder（比如[30,2,0,0]、[1,10,10,7]的配置是错的）

• 如果某张卡上的参数全部冻结时会导致没有梯度（比如vision_encoder冻结时PP配置[30,2,0,0]、[0,11,10,7]），需要在finetune_qwen2_5_vl_7b.sh中GPT_ARGS参数中增加--enable-dummy-optimizer，参考dummy_optimizer特性文档。

3. 启动微调

以Qwen3-30B-A3B为例，启动微调训练任务。

bash examples/qwen3vl_dev/finetune_qwen3_vl_30b_a3b.sh

---

推理

Coming soon...

评测

Coming soon...

环境变量声明

环境变量	描述	取值说明
ASCEND_SLOG_PRINT_TO_STDOUT	是否开启日志打印	0: 关闭日志打屏 1: 开启日志打屏
ASCEND_GLOBAL_LOG_LEVEL	设置应用类日志的日志级别及各模块日志级别，仅支持调试日志	0: 对应DEBUG级别 1: 对应INFO级别 2: 对应WARNING级别 3: 对应ERROR级别 4: 对应NULL级别，不输出日志
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
COMBINED_ENABLE	设置combined标志。设置为0表示关闭此功能；设置为1表示开启，用于优化非连续两个算子组合类场景	0: 关闭 1: 开启
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
HCCL_EXEC_TIMEOUT	控制设备间执行时同步等待的时间，在该配置时间内各设备进程等待其他设备执行通信同步	需要配置为整数，取值范围[68,17340]，默认值为1800，单位s
ACLNN_CACHE_LIMIT	配置单算子执行API在Host侧缓存的算子信息条目个数	需要配置为整数，取值范围[1, 10,000,000]，默认值为10000
TOKENIZERS_PARALLELISM	用于控制Hugging Face的transformers库中的分词器（tokenizer）在多线程环境下的行为	False: 禁用并行分词 True: 开启并行分词
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
NPU_ASD_ENABLE	控制是否开启Ascend Extension for PyTorch的特征值检测功能	设置0或未设置: 关闭特征值检测 1: 表示开启特征值检测，只打印异常日志，不告警 2:开启特征值检测，并告警 3:开启特征值检测，并告警，同时会在device侧info级别日志中记录过程数据
ASCEND_LAUNCH_BLOCKING	控制算子执行时是否启动同步模式	0: 采用异步方式执行 1: 强制算子采用同步模式运行
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）

---

注意事项

1. 在 finetune_xx.sh里，与模型结构相关的参数并不生效，以examples/qwen2.5vl/model_xb.json里同名参数配置为准，非模型结构的训练相关参数在 finetune_xx.sh修改。
2. 在使用单卡进行3B模型训练时，如果出现Out Of Memory，可以使用多卡并开启分布式优化器进行训练。
3. model.json设置use_remove_padding为true时，在examples/qwen2vl/dot_product_attention.py中，attention_mask形状当前固定为[2048, 2048]，如需更改请参考昇腾官网FlashAttentionScore的替换指南