third_party/ms-swift/docs/source/Megatron-SWIFT/Multimodal-Model.md

# 多模态模型

ms-swift引入了Megatron的并行技术来加速多模态大模型的训练。目前支持Qwen3-VL, Qwen3-Omni, Qwen2.5-VL, Qwen2.5-Omni, InternVL3.5, GLM4.5v, Kimi-VL等模型的CPT/SFT/GRPO/DPO/KTO/RM。完整支持的模型可以参考[支持的模型与数据集文档](../Instruction/Supported-models-and-datasets.md)。

环境准备请参考Megatron-SWIFT的[快速开始文档](./Quick-start.md)。

## Dense模型

这里介绍使用2卡80GiB A100对Qwen2.5-VL-7B-Instruct模型进行Latex-OCR的微调，分别使用全参数和LoRA的方式，以下最佳实践可以在10分钟内完成。

### Full

全参数训练脚本如下：
```shell

# 2 * 72GiB; 4.1s/it

PYTORCH_CUDA_ALLOC_CONF='expandable_segments:True' \

NPROC_PER_NODE=2 \

MAX_PIXELS=1003520 \

CUDA_VISIBLE_DEVICES=0,1 \

megatron sft \

    --model Qwen/Qwen2.5-VL-7B-Instruct \

    --load_safetensors true \

    --save_safetensors true \

    --dataset 'AI-ModelScope/LaTeX_OCR:human_handwrite#5000' \

    --load_from_cache_file true \

    --tensor_model_parallel_size 2 \

    --sequence_parallel true \

    --packing true \

    --freeze_llm false \

    --freeze_vit true \

    --freeze_aligner true \

    --split_dataset_ratio 0.01 \

    --micro_batch_size 1 \

    --global_batch_size 4 \

    --recompute_granularity full \

    --recompute_method uniform \

    --recompute_num_layers 1 \

    --finetune true \

    --cross_entropy_loss_fusion true \

    --lr 1e-5 \

    --lr_warmup_fraction 0.05 \

    --min_lr 1e-6 \

    --max_epochs 1 \

    --save megatron_output/Qwen2.5-VL-7B-Instruct \

    --save_interval 200 \

    --vit_gradient_checkpointing true \

    --max_length 2048 \

    --num_workers 4 \

    --no_save_optim true \

    --no_save_rng true \

    --dataset_num_proc 8

```


### LoRA

LoRA训练脚本如下：
```shell

# 2 * 23GiB; 2.3s/it

PYTORCH_CUDA_ALLOC_CONF='expandable_segments:True' \

NPROC_PER_NODE=2 \

MAX_PIXELS=1003520 \

CUDA_VISIBLE_DEVICES=0,1 \

megatron sft \

    --model Qwen/Qwen2.5-VL-7B-Instruct \

    --load_safetensors true \

    --save_safetensors true \

    --merge_lora false \

    --dataset 'AI-ModelScope/LaTeX_OCR:human_handwrite#5000' \

    --load_from_cache_file true \

    --tuner_type lora \

    --lora_rank 8 \

    --lora_alpha 32 \

    --target_modules all-linear \

    --tensor_model_parallel_size 1 \

    --sequence_parallel true \

    --freeze_llm false \

    --freeze_vit true \

    --freeze_aligner true \

    --packing true \

    --split_dataset_ratio 0.01 \

    --micro_batch_size 1 \

    --global_batch_size 4 \

    --recompute_granularity full \

    --recompute_method uniform \

    --recompute_num_layers 1 \

    --finetune true \

    --cross_entropy_loss_fusion true \

    --lr 1e-4 \

    --lr_warmup_fraction 0.05 \

    --min_lr 1e-5 \

    --max_epochs 1 \

    --save megatron_output/Qwen2.5-VL-7B-Instruct \

    --save_interval 200 \

    --vit_gradient_checkpointing true \

    --max_length 2048 \

    --num_workers 4 \

    --no_save_optim true \

    --no_save_rng true \

    --dataset_num_proc 8

```


最后，我们使用生成的HF格式权重对验证集进行推理：
```shell

MAX_PIXELS=1003520 \

CUDA_VISIBLE_DEVICES=0 \

swift infer \

    --adapters megatron_output/Qwen2.5-VL-7B-Instruct/vx-xxx/checkpoint-xxx \

    --attn_impl flash_attn \

    --stream true \

    --load_data_args true \

    --temperature 0 \

    --max_new_tokens 512

```

推理结果如下：
```

[QUERY] Using LaTeX to perform OCR on the image.

[LABELS] \forall x \in X , ( \alpha f ) ( x ) = \alpha f ( x )

[RESPONSE] \forall x \in X , ( \alpha f ) ( x ) = \alpha f ( x )

--------------------------------------------------

[QUERY] Using LaTeX to perform OCR on the image.

[LABELS] \pi \int _ { c } ^ { d } \{ g ( y ) \} ^ { 2 } d y

[RESPONSE] \pi \int _ { c } ^ { d } \{ g ( y ) \} ^ { 2 } d y

--------------------------------------------------

[QUERY] Using LaTeX to perform OCR on the image.

[LABELS] [ \frac 2 3 x ^ { \frac 3 2 } ] _ { 0 } ^ { 1 }

[RESPONSE] [ \frac 2 3 x ^ { \frac 3 2 } ] _ { 0 } ^ { 1 }

```


## Moe模型


训练脚本：
```bash

# 2 * 43GiB, 8s/it

PYTORCH_CUDA_ALLOC_CONF='expandable_segments:True' \

NPROC_PER_NODE=2 \

CUDA_VISIBLE_DEVICES=0,1 \

megatron sft \

    --model OpenGVLab/InternVL3_5-30B-A3B \

    --load_safetensors true \

    --save_safetensors true \

    --merge_lora false \

    --dataset 'AI-ModelScope/LaTeX_OCR:human_handwrite#5000' \

    --load_from_cache_file true \

    --tuner_type lora \

    --lora_rank 8 \

    --lora_alpha 32 \

    --target_modules all-linear \

    --sequence_parallel true \

    --freeze_llm false \

    --freeze_vit true \

    --freeze_aligner true \

    --packing true \

    --split_dataset_ratio 0.01 \

    --expert_model_parallel_size 2 \

    --moe_permute_fusion true \

    --moe_grouped_gemm true \

    --moe_shared_expert_overlap true \

    --moe_aux_loss_coeff 1e-3 \

    --micro_batch_size 1 \

    --global_batch_size 4 \

    --recompute_granularity full \

    --recompute_method uniform \

    --recompute_num_layers 1 \

    --finetune true \

    --cross_entropy_loss_fusion true \

    --lr 1e-4 \

    --lr_warmup_fraction 0.05 \

    --min_lr 1e-5 \

    --max_epochs 1 \

    --save megatron_output/InternVL3_5-30B-A3B \

    --eval_interval 200 \

    --save_interval 200 \

    --vit_gradient_checkpointing true \

    --max_length 2048 \

    --num_workers 8 \

    --dataset_num_proc 8 \

    --no_save_optim true \

    --no_save_rng true \

    --attention_backend flash

```

训练结束后，我们使用生成的HF格式权重对验证集进行推理：
```shell

CUDA_VISIBLE_DEVICES=0 \

swift infer \

    --adapters megatron_output/InternVL3_5-30B-A3B/vx-xxx/checkpoint-xxx \

    --attn_impl flash_attn \

    --stream true \

    --load_data_args true \

    --temperature 0 \

    --max_new_tokens 512

```