基于MindSpeed MM玩转Qwen2.5VL多模态理解模型

多模态理解模型是让AI像人类一样，通过整合多维度信息（如视觉、语言、听觉等），理解数据背后的语义、情感、逻辑或场景，从而完成推理、决策等任务。

当前已经进入多模态理解大模型发展的快车道，2025年2月，最新一代的多模态理解模型Qwen2.5VL开源发布，其在多个基准测试中取得了SOTA效果，更是直接登顶司南（OpenCompass）排行榜，甚至超越国内外知名的GPT-4o和Gemini-2.0等闭源模型。

MindSpeed MM开发团队快速对Qwen2.5VL模型全系列尺寸进行适配，并将其正式开源在MindSpeed MM仓库，同时支持视图理解全参微调训练、Lora微调训练、在线推理和评测。

MindSpeed MM基于MindSpeed Core的多维并行能力实现对多模态模型的极致性能优化，更亲和昇腾硬件，致力成为昇腾开发者大集群、大参数场景多模态训练的首选，为开发者提供高效易用的开发体验。

基于MindSpeed MM的Qwen2.5VL视图理解生成体验

新一代的多模态理解模型Qwen2.5VL有强大的视图理解能力，让我们快速体验一下。

基于MindSpeed MM的Qwen2.5VL训练优化特性

多模态理解模型主要处理如文本、图像、音频、视频、传感器信号等模态数据，不同模态数据存在结构差异、特征表示异质性、融合策略多样性、训练机制复杂性等特点，Qwen2.5VL训练的性能瓶颈主要是负载不均衡问题。MindSpeed MM在使用融合算子、分布式优化器及流水调度优化等常用特性的基础上，支持多模态异构流水线并行、动态流水线并行、数据分桶负载均衡等优化加速特性，实现训练性能极致优化。

01多模态异构流水线并行，支持大规模数据的复杂多模态训练，实现负载均衡

Qwen2.5VL模型包括视觉模块、连接层以及语言模块，其中视觉模块的激活值比较大，当视觉模块放开训练或视图数据规模较大时，会导致显存占用过大甚至OOM，同时影响多卡之间的负载均衡。MindSpeed MM创新性地实现了异构流水线并行特性，支持各种模态模块的快速流水线并行适配，支撑实现更复杂场景和更大数据规模的训练微调，同时也缓解了负载不均衡的问题。

使用方式：在examples/qwen2.5vl/model_*b.json中配置vision_encoder和text_decoder中的pipeline_num_layers字段参数

02流水线并行动态shape通信支持，实现训练效率和资源利用率双提升

多模态场景中，batch内样本长度要保持一致，需将所有输入样本都扩展到统一的序列长度，而不同样本的序列长度差异较大，对于短序列的数据样本会产生大量冗余计算、增加显存占用和通信耗时。MindSpeed MM通过使用MindSpeed Core的动态shape流水线并行特性，减少过度扩展现象，有效降低冗余计算量，实现训练效率与计算资源利用率双提升，数据集序列长度差异越大，收益越大。

使用方式：在examples/qwen2.5vl/finetune_qwen2_5_vl_*b.sh的GPT_ARGS中加入--variable-seq-lengths参数。

03数据分桶负载优化，实现多卡数据计算均衡，训练效率提升10%+

多模态理解场景由于视图数据的规模不一致，不同输入数据长度差异很大，因此会导致大集群训练微调过程中，不同卡之间的计算耗时差异大，出现卡间负载不均衡问题。MindSpeed MM中通过实现全局数据分桶重排，将不同序列长度的数据重新进行划分，从而实现卡间的数据大小基本相同，保证训练数据多样性的同时训练效率提升10%+。

数据分桶负载：将数据按token数量

分配到不同的桶，训练时按桶取数据

使用方式：在examples/qwen2.5vl/data_*b.json中，修改dataloader_param下的sampler_type为"BucketBatchSampler"

快速上手，基于MindSpeed MM玩转Qwen2.5VL

环境安装

模型开发时推荐使用配套的环境版本，详见仓库中的”环境安装”

https://gitee.com/ascend/MindSpeed-MM/blob/master/examples/qwen2.5vl/README.md

仓库拉取：

git clone https://gitee.com/ascend/MindSpeed-MM.git

git clone https://github.com/NVIDIA/Megatron-LM.git

cd Megatron-LM

git checkout core_r0.8.0

cp -r megatron ../MindSpeed-MM/

cd ..

cd MindSpeed-MM

mkdir logs

mkdir data

mkdir ckpt

环境搭建：

torch npu 与 CANN包参考链接：安装包参考链接

https://gitee.com/link?target=https%3A%2F%2Fsupport.huawei.com%2Fenterprise%2Fzh%2Fascend-computing%2Fcann-pid-251168373%2Fsoftware

# python3.10

conda create -ntestpython=3.10

conda activatetest

#安装torch和torch_npu，注意要选择对应python版本、x86或arm的torch、torch_npu及apex包

#下载路径参考https://www.hiascend.com/document/detail/zh/Pytorch/60RC3/configandinstg/instg/insg_0001.html

pip install torch-2.1.0-cp310-cp310m-manylinux2014_aarch64.whl

pip install torch_npu-2.1.0*-cp310-cp310m-linux_aarch64.whl

# apex for Ascend参考https://gitee.com/ascend/apex

#建议从原仓编译安装

#安装加速库

gitclonehttps://gitee.com/ascend/MindSpeed.git

cdMindSpeed

# checkout commit from MindSpeed core_r0.8.0

git checkout 3f09d6736571cf1e30f8ac97de77982d0ab32cc5

pip install -r requirements.txt

pip3 install -e .

cd..

#替换MindSpeed中的文件

cp examples/qwen2vl/dot_product_attention.py MindSpeed/mindspeed/core/transformer/dot_product_attention.py

#安装其余依赖库

pip install -e .

#安装transformers指定版本

gitclonehttps://github.com/huggingface/transformers.git

cdtransformers

git checkout fa56dcc2a

pip install -e .

权重下载及转换

Qwen2.5VL权重下载：

模型	Huggingface下载链接
3B	https://huggingface.co/Qwen/Qwen2.5-VL-3B-Instruct/tree/main
7B	https://huggingface.co/Qwen/Qwen2.5-VL-7B-Instruct/tree/main
32B	https://huggingface.co/Qwen/Qwen2.5-VL-32B-Instruct/tree/main
72B	https://huggingface.co/Qwen/Qwen2.5-VL-72B-Instruct/tree/main

权重转换：

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。该工具实现了huggingface权重和MindSpeed MM权重的互相转换以及PP（Pipeline Parallel）权重的重切分。

# 3b

mm-convert Qwen2_5_VLConverter hf_to_mm 

 --cfg.mm_dir"ckpt/mm_path/Qwen2.5-VL-3B-Instruct"

 --cfg.hf_config.hf_dir"ckpt/hf_path/Qwen2.5-VL-3B-Instruct"

 --cfg.parallel_config.llm_pp_layers [36] 

 --cfg.parallel_config.vit_pp_layers [32] 

 --cfg.parallel_config.tp_size 1

# 7b

mm-convert Qwen2_5_VLConverter hf_to_mm 

 --cfg.mm_dir"ckpt/mm_path/Qwen2.5-VL-7B-Instruct"

 --cfg.hf_config.hf_dir"ckpt/hf_path/Qwen2.5-VL-7B-Instruct"

 --cfg.parallel_config.llm_pp_layers [1,10,10,7] 

 --cfg.parallel_config.vit_pp_layers [32,0,0,0] 

 --cfg.parallel_config.tp_size 1

# 32b

mm-convert Qwen2_5_VLConverter hf_to_mm 

 --cfg.mm_dir "ckpt/mm_path/Qwen2.5-VL-32B-Instruct" 

 --cfg.hf_config.hf_dir "ckpt/hf_path/Qwen2.5-VL-32B-Instruct" 

 --cfg.parallel_config.llm_pp_layers [4,9,9,9,9,9,9,6] 

 --cfg.parallel_config.vit_pp_layers [32,0,0,0,0,0,0,0] 

 --cfg.parallel_config.tp_size 2

# 72b

mm-convert Qwen2_5_VLConverter hf_to_mm 

 --cfg.mm_dir"ckpt/mm_path/Qwen2.5-VL-72B-Instruct"

 --cfg.hf_config.hf_dir"ckpt/hf_path/Qwen2.5-VL-72B-Instruct"

 --cfg.parallel_config.llm_pp_layers [14,23,23,20] 

 --cfg.parallel_config.vit_pp_layers [32,0,0,0] 

 --cfg.parallel_config.tp_size 8

#其中：

# mm_dir:转换后保存目录

# hf_dir: huggingface权重目录

# 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

# tp_size: tp并行数量，注意要和微调启动脚本中的配置一致

如果需要用转换后模型训练的话，同步修改

examples/qwen2.5vl/finetune_qwen2_5_vl_7b.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。

LOAD_PATH="ckpt/mm_path/Qwen2.5-VL-7B-Instruct"

【数据集准备及处理】

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，并解压到项目目录下的./data/COCO2017文件夹中

下载链接：https://gitee.com/link?target=https%3A%2F%2Fcocodataset.org%2F%23download

(2)获取图片数据集的描述文件（LLaVA-Instruct-150K），下载至./data/路径下;

https://gitee.com/link?target=https%3A%2F%2Fhuggingface.co%2Fdatasets%2Fliuhaotian%2FLLaVA-Instruct-150K%2Ftree%2Fmain

(3)在./data路径下新建文件mllm_format_llava_instruct_data.json，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。

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},

],

}

【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Qwen2.5VL-7B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",

...

},

...

},

...

}

}

模型保存加载及日志信息配置：

根据实际情况配置examples/qwen2.5vl/finetune_qwen2_5_vl_7b.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/Qwen2.5-VL-7B-Instruct"

#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

 ├── ...

单机运行配置：

配置examples/qwen2.5vl/finetune_qwen2_5_vl_7b.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=locahost

MASTER_PORT=29501

NNODES=1

NODE_RANK=0

WORLD_SIZE=$(($NPUS_PER_NODE * $NNODES))

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）。

同时注意，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，

3. 启动微调

以Qwen2.5VL-7B为例，启动微调训练任务。

bash examples/qwen2.5vl/finetune_qwen2_5_vl_7b.sh

【性能实测：昇腾硬件加速提升性能】

备注：Samples per Second 为 (SPS)

模型尺寸	任务类型	训练规模（A2）	混精类型	性能
3B	微调	单机8卡	bf16	23.771（SPS）
7B	微调	单机8卡	bf16	14.204（SPS）
32B	微调	双机16卡	bf16	6.755（SPS）
72B	微调	4机32卡	bf16	4.669（SPS）

【更多参数见MindSpeed MM仓库】

准备工作和参数说明见MindSpeed MM开源代码仓链接：

https://gitee.com/ascend/MindSpeed-MM/tree/master/examples/qwen2.5vl

结语

MindSpeed MM是面向大规模分布式训练的昇腾多模态大模型套件，同时支持多模态生成及多模态理解，旨在为华为昇腾芯片提供端到端的多模态训练解决方案, 包含预置业界主流模型，数据工程，分布式训练及加速，预训练、微调、在线推理任务等特性。

MindSpeed MM即将上线更加丰富的支持Qwen2.5VL模型的特性，敬请期待。