FastDeploy/docs/zh/quantization/nvfp4.md

English

NVFP4量化

NVFP4 是 NVIDIA 引入的创新 4 位浮点格式，详细介绍请参考Introducing NVFP4 for Efficient and Accurate Low-Precision Inference。

基于FlashInfer, Fastdeploy 支持Modelopt 产出格式的NVFP4量化模型推理。

• 注：目前该功能仅支持Ernie / Qwen系列的FP4量化模型。

如何使用

环境准备

支持环境

• 支持硬件：GPU sm >= 100
• PaddlePaddle 版本：3.3.0 或更高版本
• Fastdeploy 版本：2.5.0 或更高版本

Fastdeploy 安装

FastDeploy 需以 NVIDIA GPU 模式安装，具体安装方式请参考官方文档：Fastdeploy NVIDIA GPU 环境安装指南。

运行推理服务

flashinfer-cutlass后端:

python -m fastdeploy.entrypoints.openai.api_server \
    --model nv-community/Qwen3-30B-A3B-FP4 \
    --port 8180 \
    --metrics-port 8181 \
    --engine-worker-queue-port 8182 \
    --cache-queue-port 8183 \
    --tensor-parallel-size 1 \
    --max-model-len  32768 \
    --max-num-seqs 128

flashinfer-cutedsl后端:

PaddlePaddle 兼容性补丁

由于 FlashInfer 与 PaddlePaddle 之间存在兼容性问题，需要在 miniconda/envs/<your_env>/lib/python3.10/site-packages/ 中应用以下补丁：

1. nvidia_cutlass_dsl/python_packages/cutlass/torch.py

   将 torch.device 替换为 "torch.device"（作为字符串以避免冲突）。

2. flashinfer/utils.py

修改 get_compute_capability 函数：

@functools.cache
def get_compute_capability(device: torch.device) -> Tuple[int, int]:
    return torch.cuda.get_device_capability(device)
    if device.type != "cuda":
        raise ValueError("device must be a cuda device")
    return torch.cuda.get_device_capability(device.index)

3. flashinfer/cute_dsl/blockscaled_gemm.py

   将 cutlass_torch.current_stream() 替换为：

   cuda.CUstream(torch.cuda.current_stream().stream_base.raw_stream)
   

运行推理服务

export FD_MOE_BACKEND="flashinfer-cutedsl"
export FD_USE_PFCC_DEEP_EP=1
export CUDA_VISIBLE_DEVICES=4,5,6,7



python -m fastdeploy.entrypoints.openai.multi_api_server \
       --ports "9811,9812,9813,9814" \
       --num-servers 4 \
       --model ERNIE-4.5-21B-A3B-FP4 \
       --disable-custom-all-reduce \
       --tensor-parallel-size 1 \
       --data-parallel-size 4 \
       --no-enable-prefix-caching \
       --max-model-len 65536 \
       --enable-expert-parallel \
       --num-gpu-blocks-override 8192 \
       --max-num-seqs 4 \
       --gpu-memory-utilization 0.9 \
       --max-num-batched-tokens 512 \
       --ep-prefill-use-worst-num-tokens \
       --graph-optimization-config '{"use_cudagraph":false}'

接口访问

通过如下命令发起服务请求

curl -X POST "http://0.0.0.0:8180/v1/chat/completions" \
-H "Content-Type: application/json" \
-d '{
  "messages": [
    {"role": "user", "content": "把李白的静夜思改写为现代诗"}
  ]
}'

curl -X POST "http://0.0.0.0:9811/v1/chat/completions" \
-H "Content-Type: application/json" \
-d '{
  "messages": [
    {"role": "user", "content": "把李白的静夜思改写为现代诗"}
  ]
}'

FastDeploy服务接口兼容OpenAI协议，可以通过如下Python代码发起服务请求。

import openai
host = "0.0.0.0"
port = "8180"
client = openai.Client(base_url=f"http://{host}:{port}/v1", api_key="null")

response = client.chat.completions.create(
    model="null",
    messages=[
        {"role": "system", "content": "I'm a helpful AI assistant."},
        {"role": "user", "content": "把李白的静夜思改写为现代诗"},
    ],
    stream=True,
)
for chunk in response:
    if chunk.choices[0].delta:
        print(chunk.choices[0].delta.content, end='')
print('\n')