MAC上采用Transformers官方库对Qwen3.5-27B模型进行推理

MAC上采用Transformers官方库对Qwen3.5-27B模型进行推理

1. 推理环境要求

python>3.8,建议3.10
Transformers 库版本 ≥4.37.0（推荐最新版）

建议配置如下：

前面python，pytorch，torchvision，torchaudio等建议直接通过conda配置，后续其他建议通过创建pyproject.toml（类似于requirement.txt）通过uv进行安装

2. 环境配置（正常非量化版Qwen3.5-27B）

先创建环境：

conda create -n qwen35 python=3.11
conda activate qwen35

用 Conda 安装 PyTorch 核心库

macOS（MPS）推荐官方源：

conda install pytorch==2.6 torchvision==0.21 torchaudio -c pytorch

验证：

python – <<EOF
import torch
print(torch.__version__)
print(torch.backends.mps.is_available())
EOF

输出：

2.6.x
True

说明 MPS GPU可用。

pip install uv

在项目目录创建pyproject.toml

[project]
name = "qwen35-local-inference"
version = "0.1.0"
requires-python = ">=3.11"

dependencies = [
"transformers>=4.57.0",
"accelerate>=1.2.0",
"safetensors",
"sentencepiece",
"tiktoken",
"einops",
"scipy",
"numpy",
"tqdm",
]

uv安装

uv pip install -r pyproject.toml

3. 基于Transformers库的推理代码（正常非量化版Qwen3.5-27B）

# qwen3.5_inference.py
import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

# ——————– 配置部分 ——————–
# 请修改为你的模型本地路径
model_path = "/Users/你的用户名/models/Qwen3.5-27B"

# 检测可用设备（优先使用 MPS，否则 CPU）
if torch.backends.mps.is_available():
device = "mps"
print("✅ 使用 MPS (Metal) 加速")
else:
device = "cpu"
print("ℹ️ 使用 CPU 运行（如需加速请确保 Mac 为 Apple Silicon 且 PyTorch 版本支持 MPS）")
# ————————————————-

print("正在加载分词器…")
tokenizer = AutoTokenizer.from_pretrained(
model_path,
trust_remote_code=True, # Qwen 需要开启
padding_side="left" # 因果语言模型通常 left padding
)

print("正在加载模型，首次加载可能需要几分钟…")
model = AutoModelForCausalLM.from_pretrained(
model_path,
trust_remote_code=True,
torch_dtype=torch.float16, # 使用半精度减少显存占用，也可修改为bf16形式，以进一步减少显存
device_map=device, # 自动分配到检测到的设备
low_cpu_mem_usage=True
)

# 构造对话（Qwen3.5 的官方模板）
messages = [
{"role": "system", "content": "你是一个乐于助人的助手。"},
{"role": "user", "content": "介绍一下你自己。"}
]

# 使用聊天模板将消息转换成模型输入格式
text = tokenizer.apply_chat_template(
messages,
tokenize=False,
add_generation_prompt=True # 添加生成提示符（如 <|im_start|>assistant）
)

print("\\n用户输入：", messages[-1]["content"])
print("模型回答：", end="")

# 编码输入
inputs = tokenizer(text, return_tensors="pt").to(device)

# 生成回复
with torch.no_grad():
outputs = model.generate(
inputs.input_ids,
max_new_tokens=512, # 最多生成 512 个新 token
do_sample=True, # 启用采样以增加多样性
temperature=0.7,
top_p=0.9,
repetition_penalty=1.05, # 轻微防止重复
eos_token_id=tokenizer.eos_token_id,
pad_token_id=tokenizer.pad_token_id
)

# 提取生成的回答部分（去除输入 prompt）
response = tokenizer.decode(outputs[0][inputs.input_ids.shape[-1]:], skip_special_tokens=True)
print(response)

4. 若采用GPTQ-INT4量化版推理（先说结果：🙅不行）

4.1 环境需要补充相关库

需要补充：gptqmodel、optimum（optimum ≥ 1.20.0）

通过uv进行安装即可

uv pip install gptqmodel optimum

建议继续补充安装这几个库

uv pip install datasets protobuf

[!CAUTION]

该地方容易踩的坑：

macOS 上 GPTQ 的重大限制，很多人会安装auto-gptq，而它的核心算子是 CUDA kernel

auto-gptq 库，其核心的 4-bit 量化推理加速算子（kernel）主要是为 NVIDIA GPU 的 CUDA 编写的。在 macOS（特别是 Apple Silicon 芯片）上，即使能安装成功，也无法利用 GPU (MPS) 获得加速，甚至可能因为找不到 CUDA 而直接报错。

有一个更好的替代方案：gptqmodel（曾用名 auto-gptq 的继任者）。这个库专门解决了跨平台问题，对 macOS 有非常好的原生支持。

根据其官方信息，gptqmodel 明确支持：

• 硬件加速：支持 Apple Silicon 的 MPS (Metal Performance Shaders) 后端，这意味着你的 Mac GPU 可以真正派上用场。
• CPU 回退：如果 MPS 不可用，它也有为 CPU 优化的内核（HF Kernel），支持 Intel 和 Apple Silicon 的 CPU 加速指令集（如 AMX, AVX2）。
• 无缝集成：它完美集成了 Hugging Face 的 transformers 库，所以你之前写的推理代码风格完全不用变。

简单来说，gptqmodel 就是 auto-gptq 的升级版，专门解决了你担心的跨平台问题。auto-gptq 主要面向 NVIDIA GPU，而 gptqmodel 则是一个更通用、对 Mac 更友好的选择。

为确保gptqmodel 是否安装成功，可以在终端运行以下代码来进行判断：

python -c “import torch; import gptqmodel; print(‘MPS Available:’, torch.backends.mps.is_available()); print(‘gptqmodel version:’, gptqmodel.version)”

4.2 推理代码是否需要修改

只需要修改模型路径即可，其他不需要修改

4.3 实际测试结果反馈（macos架构无法支持gptq量化方式，加载还是按照原模型大小加载，还是需要50GB内存空间）

[!WARNING]

GPTQ 量化在 Mac（MPS）环境基本不会真正生效，所以 PyTorch 仍然按接近 FP16 大模型 的方式加载权重，从而尝试分配几十 GB 内存。

5. 采用Apple自研的MLX大模型推理框架进行推理

5.1 基于原模型进行MLX转换并量化为4bit

（1）补充相关库

uv pip install mlx mlx-lm huggingface_hub

建议版本

mlx >= 0.18
mlx-lm >= 0.18

建议mlx-lm≥0.25.2

（2）确认MLX是否能够使用Apple GPU

import mlx.core as mx

print(mx.default_device())

正常输出：gpu，则证明成功

（3）MLX转换权重

MLX 官方提供工具：

mlx_lm.convert

假设你的原始权重路径：

/models/Qwen3.5-27B

运行：

python -m mlx_lm.convert \\
–hf-path /models/Qwen3.5-27B \\
–mlx-path ./qwen35_mlx

转换后目录：

qwen35_mlx/
├── config.json
├── tokenizer.json
├── tokenizer.model
├── weights.npz

这个过程只是：

HF格式 → MLX格式

不会量化。

（4）MLX 4bit量化

MLX 官方量化命令：

python -m mlx_lm.quantize \\
–model ./qwen35_mlx \\
–bits 4 \\
–output ./qwen35_mlx_4bit

参数说明：

量化完成后：

qwen35_mlx_4bit/
├── config.json
├── tokenizer.json
├── tokenizer.model
├── weights.npz

权重转化+量化代码

import mlx_lm

mlx_lm.convert(
hf_path="/Volumes/LK/LLM相关试验/transformer_infer_test/model/Qwen/Qwen3.5-27B",
mlx_path="/Volumes/LK/LLM相关试验/transformer_infer_test/model/mlx-community/Qwen3.5-27B-MLX-4bit",
quantize=True,
q_bits=4,
q_group_size=128,
)

print("hf->mlx，并量化转换完成！")

（5）基于MLX框架的推理验证

from mlx_lm import load, generate
from mlx_lm.sample_utils import make_sampler

model_path = "/Volumes/LK/LLM相关试验/transformer_infer_test/model/mlx-community/Qwen3.5-27B-MLX-4bit"

print("Loading model…")
model, tokenizer = load(model_path)

prompt = "介绍一下机器学习和深度学习的主要区别。请用中文回答。"

messages = [{"role": "user", "content": prompt}]

formatted_prompt = tokenizer.apply_chat_template(
messages,
tokenize=False,
add_generation_prompt=True
)

# 注意这里
sampler = make_sampler(
temp=0.7,
top_p=0.9
)

print("Assistant:")

generate(
model,
tokenizer,
prompt=formatted_prompt,
sampler=sampler,
max_tokens=1024,
verbose=True
)

5.2 直接从mlx-community社区中下载预转换的MLX 4-bit模型

from mlx_lm import load, generate

# 只需要修改这里的路径/模型名
model_path = "mlx-community/Qwen3.5-27B-Instruct-4bit" # 或者本地路径

print("正在加载模型…")
model, tokenizer = load(model_path)

# 准备对话（使用聊天模板）
messages = [
{"role": "system", "content": "你是一个乐于助人的助手。"},
{"role": "user", "content": "介绍一下机器学习和深度学习的主要区别。"}
]

text = tokenizer.apply_chat_template(
messages,
tokenize=False,
add_generation_prompt=True，
enable_thinking=True,
)

print("生成回答中…")
response = generate(model, tokenizer, prompt=text, verbose=True, max_tokens=512)