MiMo-V2-Flash 量化说明

模型介绍

• MiMo-V2-Flash 是小米 MiMo 团队开源的混合专家（Mixture-of-Experts，MoE）语言模型，总参数量为 309B，每个 token 激活约 15B 参数，支持最长 256K 上下文。
• MiMo-V2-Flash 采用滑动窗口注意力与全局注意力交替组成的混合注意力架构，并支持多 Token 预测（Multi-Token Prediction，MTP），面向推理及 Agent 场景进行优化。
• msModelSlim 已支持 MiMo-V2-Flash 模型的 W8A8 动态量化。量化过程中使用逐层加载方式处理 Decoder Layer，以降低模型加载和量化过程中的内存峰值。

使用前准备

• 安装 msModelSlim 工具，详情请参见《msModelSlim工具安装指南》。

• MiMo-V2-Flash 适配器依赖 transformers==4.57.6，请执行：

  pip install transformers==4.57.6
  

• 请准备 Hugging Face 格式的 MiMo-V2-Flash BF16 权重。模型目录中应包含 config.json、Safetensors 权重文件及对应的权重索引文件。

• MiMo-V2-Flash 使用自定义模型代码，量化命令中需设置 --trust_remote_code True。启用该选项前，请确认模型代码来源可信。

• MiMo-V2-Flash 参数量较大，请在内存和显存充足的 NPU 环境中执行量化。

支持的模型版本与量化策略

模型系列	模型版本	Hugging Face链接	W8A8	W8A16	W4A8	W4A16	W4A4	稀疏量化	KV Cache	量化命令
MiMo	MiMo-V2-Flash	XiaomiMiMo/MiMo-V2-Flash	✅							W8A8

说明：

• ✅ 表示该量化策略已通过 msModelSlim 验证，建议优先采用。
• 空白表示该量化策略暂未通过 msModelSlim 验证，量化效果和功能稳定性不作保证。
• 点击“量化命令”列中的链接，可跳转到对应的量化命令。

量化权重生成

MiMo-V2-Flash W8A8 配置已接入一键量化。指定 --model_type MiMo-V2-Flash 和 --quant_type w8a8 后，工具会自动推荐并使用 mimo-v2-flash-w8a8.yaml。

MiMo-V2-Flash W8A8量化

请将 ${model_path} 和 ${save_path} 替换为实际路径。

推荐使用以下一键量化命令：

msmodelslim quant \
  --device npu \
  --model_path ${model_path} \
  --save_path ${save_path} \
  --model_type MiMo-V2-Flash \
  --quant_type w8a8 \
  --trust_remote_code True

使用实际目录时，命令示例如下：

msmodelslim quant \
  --device npu \
  --model_path ./MiMo-V2-Flash-BF16/ \
  --save_path ./MiMo-V2-Flash-w8a8/ \
  --model_type MiMo-V2-Flash \
  --quant_type w8a8 \
  --trust_remote_code True

若需调试或验证指定配置文件，也可以显式传入配置路径：

msmodelslim quant \
  --device npu \
  --model_path ./MiMo-V2-Flash-BF16/ \
  --save_path ./MiMo-V2-Flash-w8a8/ \
  --model_type MiMo-V2-Flash \
  --config lab_practice/mimo_v2/mimo-v2-flash-w8a8.yaml \
  --trust_remote_code True

其中：

• --model_path：MiMo-V2-Flash BF16 浮点权重目录。
• --save_path：量化权重保存目录。
• --model_type：需填写 MiMo-V2-Flash，区分大小写。
• --quant_type w8a8：启用 W8A8 一键量化，并自动推荐 MiMo-V2-Flash 最佳实践配置。
• --trust_remote_code True：允许加载模型目录中的自定义模型代码，请确保代码来源可信。

量化策略说明

配置项	说明
激活量化	per-token、INT8、对称 MinMax 动态量化
权重量化	per-channel、INT8、对称 MinMax 量化
量化范围	include: ["*"]，对模型中的 Linear 层执行 W8A8 量化
保存格式	ascendv1_saver
权重分片	part_file_size: 4，单个 Safetensors 文件最大 4GB

FAQ

指定 --quant_type w8a8 后没有自动匹配 MiMo-V2-Flash 配置怎么办？

请依次检查：

1. --model_type 是否精确填写为 MiMo-V2-Flash。
2. lab_practice/mimo_v2/mimo-v2-flash-w8a8.yaml 是否存在，并包含 metadata。
3. 适配器 get_model_pedigree() 的返回值是否为 mimo_v2，与 lab_practice/mimo_v2 目录名一致。
4. 是否安装了包含本模型适配和最佳实践配置的最新 msModelSlim 版本。

如何确认自动推荐成功？

运行带有 --quant_type w8a8 的一键量化命令，日志中应出现使用 mimo-v2-flash-w8a8 最佳实践配置的提示，且不应回退到 default-w8a8。

transformers 版本不匹配怎么办？

请安装适配器要求的版本：

pip install transformers==4.57.6