背景

InternVL2是由上海人工智能實驗室OpenGVLab發(fā)布的一款多模態(tài)大模型，中文名稱為“書生·萬象”。該模型在多學(xué)科問答（MMMU）等任務(wù)上表現(xiàn)出色，并且具備處理多種模態(tài)數(shù)據(jù)的能力。

本文將通過走馬觀花的方式，基于InternVL2家族中最小的InternVL2-1B模型來介紹其技術(shù)特點。同時也將分享基于愛芯元智的AX650N、AX630C兩款端側(cè)AI芯片適配InternVL2-1B的基本操作方法，向業(yè)界對端側(cè)多模態(tài)大模型部署的開發(fā)者提供一種新的思路，促進社區(qū)對端側(cè)多模態(tài)大模型的探索。

技術(shù)特性

多模態(tài)處理能力：與更大規(guī)模的版本一樣，InternVL2-1B支持圖像和文本數(shù)據(jù)的聯(lián)合處理，旨在理解和生成跨模態(tài)的內(nèi)容。

輕量化設(shè)計：1B參數(shù)規(guī)模意味著相對較小的模型尺寸，這使得InternVL2-1B更適合部署在資源受限的環(huán)境中，如移動設(shè)備或邊緣計算場景中。盡管參數(shù)較少，通過精心設(shè)計，它仍能保持良好的性能。

漸進式對齊訓(xùn)練策略：采用從小到大、從粗到精的方式進行訓(xùn)練，這樣可以利用更少的計算資源達到較高的效果，同時也促進了模型的知識遷移能力。

高效的架構(gòu)設(shè)計：為了在有限的參數(shù)下實現(xiàn)最佳性能，InternVL2-1B可能采用了特別優(yōu)化的網(wǎng)絡(luò)結(jié)構(gòu)或注意力機制，確保即使在較低參數(shù)量的情況下也能有效地捕捉復(fù)雜的視覺語言關(guān)聯(lián)性。

支持多種下游任務(wù)：盡管是較小型號，InternVL2-1B應(yīng)該仍然能夠執(zhí)行一系列基本的視覺-語言任務(wù)，比如圖像描述生成、視覺問答等，為用戶提供了一定程度的功能多樣性。

開放源代碼與模型權(quán)重：如果遵循OpenGVLab的一貫做法，那么InternVL2-1B的代碼及預(yù)訓(xùn)練模型應(yīng)該也是開源提供的，方便研究者和開發(fā)者使用。

性能指標(biāo)

AX650N

愛芯元智第三代高能效比智能視覺芯片AX650N。集成了八核Cortex-A55 CPU，高能效比NPU，支持8K@30fps的ISP，以及H.264、H.265編解碼的 VPU。接口方面，AX650N支持64bit LPDDR4x，多路MIPI輸入，千兆Ethernet、USB、以及HDMI 2.0b輸出，并支持32路1080p@30fps解碼內(nèi)置高算力和超強編解碼能力，滿足行業(yè)對高性能邊緣智能計算的需求。通過內(nèi)置多種深度學(xué)習(xí)算法，實現(xiàn)視覺結(jié)構(gòu)化、行為分析、狀態(tài)檢測等應(yīng)用，高效率支持基于 Transformer結(jié)構(gòu)的視覺大模型和語言類大模型。提供豐富的開發(fā)文檔，方便用戶進行二次開發(fā)。

AX630C

愛芯元智第四代智能視覺芯片AX630C，該芯片集成新一代智眸4.0AI-ISP，最高支持4K@30fps實時真黑光，同時集成新一代通元4.0高性能、高能效比NPU引擎，使得產(chǎn)品在低功耗、高畫質(zhì)、智能處理和分析等方面行業(yè)領(lǐng)先。提供穩(wěn)定易用的SDK軟件開發(fā)包，方便用戶低成本評估、二次開發(fā)和快速量產(chǎn)。幫助用戶在智能家居應(yīng)用和其他AIoT項目中發(fā)揮更大的價值。

AX630C應(yīng)該是目前能效比&性價比&能跑LLM/VLM的最佳的端側(cè)AI芯片了，因此有客戶基于AX630C出品了LLM Module，歡迎關(guān)注/試用。

模型轉(zhuǎn)換

經(jīng)常在AI芯片上部署AI算法模型的同學(xué)都知道，想要把模型部署到芯片上的NPU中運行，都需要使用芯片原廠提供的NPU工具鏈，這里我們使用的是Pulsar2。

Pulsar2是愛芯元智的新一代NPU工具鏈，包含模型轉(zhuǎn)換、離線量化、模型編譯、異構(gòu)調(diào)度四合一超強功能，進一步強化了網(wǎng)絡(luò)模型高效部署的需求。在針對第三代、第四代NPU架構(gòu)進行了深度定制優(yōu)化的同時，也擴展了算子&模型支持的能力及范圍，對Transformer結(jié)構(gòu)的網(wǎng)絡(luò)也有較好的支持。

從Pulsar2 3.2版本開始，已經(jīng)增加了大語言模型編譯的功能，隱藏在pulsar2 llm_build的子命令中。

模型獲取

git clone https://github.com/AXERA-TECH/ax-llm-build.git
cd ax-llm-build
pip install -U huggingface_hub
huggingface-cli download --resume-download OpenGVLab/InternVL2-1B/ --local-dir OpenGVLab/InternVL2-1B/

ax-llm-build：用于暫存編譯LLM、VLM時所依賴的各種輔助小工具、腳本文件（持續(xù)更新）。

一鍵編譯

qtang@gpux2:~/huggingface$ pulsar2 llm_build --input_path OpenGVLab/InternVL2-1B/ --output_path OpenGVLab/InternVL2-1B-ax650 --kv_cache_len 1023 --hidden_state_type bf16 --prefill_len 128 --chip AX650
Config(
  model_name='InternVL2-1B',
  model_type='qwen2',
  num_hidden_layers=24,
  num_attention_heads=14,
  num_key_value_heads=2,
  hidden_size=896,
  intermediate_size=4864,
  vocab_size=151655,
  rope_theta=1000000.0,
  max_position_embeddings=32768,
  rope_partial_factor=1.0,
  rms_norm_eps=1e-06,
  norm_type='rms_norm',
  hidden_act='silu',
  hidden_act_param=0.03,
  scale_depth=1.4,
  scale_emb=1,
  dim_model_base=256,
  origin_model_type='internvl_chat'
)
2024-10-31 0030.400 | SUCCESS | yamain.command.llm_build109 - prepare llm model done!
building vision model  ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 1/1 024
building llm decode layers  ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 24/24 013
building llm post layer  ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 1/1 027
2024-10-31 0036.175 | SUCCESS | yamain.command.llm_build185 - build llm model done!
2024-10-31 0051.955 | SUCCESS | yamain.command.llm_build364 - check llm model done!

embed提取和優(yōu)化

chmod +x ./tools/fp32_to_bf16
chmod +x ./tools/embed_process.sh
./tools/embed_process.sh OpenGVLab/InternVL2-1B/ OpenGVLab/InternVL2-1B-ax650

最終InternVL2-1B-ax650目錄下包含以下內(nèi)容：

qtang@gpux2:~/huggingface$ tree -lh OpenGVLab/InternVL2-1B-ax650/
[1.6K] OpenGVLab/InternVL2-1B-ax650/
├── [325M] intervl_vision_part_224.axmodel     // vit-l model
├── [259M] model.embed_tokens.weight.bfloat16.bin // embed file
├── [ 16M] qwen2_p128_l0_together.axmodel     // llm layer
├── [ 16M] qwen2_p128_l10_together.axmodel
├── [ 16M] qwen2_p128_l11_together.axmodel
├── [ 16M] qwen2_p128_l12_together.axmodel
......
├── [ 16M] qwen2_p128_l5_together.axmodel
├── [ 16M] qwen2_p128_l6_together.axmodel
├── [ 16M] qwen2_p128_l7_together.axmodel
├── [ 16M] qwen2_p128_l8_together.axmodel
├── [ 16M] qwen2_p128_l9_together.axmodel
└── [141M] qwen2_post.axmodel

上板示例

相關(guān)材料

為了方便大家快速試用，我們在網(wǎng)盤中已經(jīng)提供好了預(yù)編譯模型和基于AX650N、AX630C兩種芯片平臺的預(yù)編譯示例：

大尺寸

基于AX650N，展示輸入圖片尺寸為448*448的示例，圖片信息量大，解讀更詳細，甚至展示了其OCR、中英翻譯的能力。

小尺寸

基于AX630C，展示輸入圖片尺寸為224*224的示例：

目前我們暫時未對Vision Part模塊的ViT-L模型進行量化加速，所以圖片編碼的速度稍微有點慢。但是本身AX650N、AX630C計算ViT模型的效率是非常高的，后續(xù)我們會持續(xù)優(yōu)化推理耗時。

部署優(yōu)化探討

輸入圖片越大，Vision Part（Image Encoder）生成的特征向量越多，計算量越大，即使是InternVL2 Family中最小的1B版本，其Vision Part也是采用的基于ViT-Large規(guī)模的圖像編碼模型。

圖片生成的特征向量越多，輸入LLM的prompt就越長，input tokens越多，TTFT耗時越大。

我們順便統(tǒng)計了224與448兩種輸入尺寸采用U8、U16量化后的推理耗時，提升還是很明顯。

結(jié)束語

雖然我們只嘗試了最小的InternVL2-1B部署，但能在原本定位于低成本家用攝像頭芯片（AX630C）上本地流暢運行VLM已經(jīng)是一個重大突破，例如無需聯(lián)網(wǎng)（包括藍牙）的智能眼鏡、智能的“拍立得”、以及各種有趣的穿戴設(shè)備。

隨著大語言模型小型化的快速發(fā)展，越來越多有趣的多模態(tài)AI應(yīng)用已經(jīng)從云端服務(wù)遷移到端側(cè)設(shè)備。我們會緊跟行業(yè)最新動態(tài)，適配更多的端側(cè)大模型，歡迎大家持續(xù)關(guān)注。