axteam/GLM-OCR-FP8-dynamic

GLM-OCR · FP8 (dynamic)

8-bit quantization of zai-org/GLM-OCR for vLLM serving. Quantized by axteam.

Base model	zai-org/GLM-OCR
Method	FP8 (dynamic)
Format	compressed-tensors float-quantized (scheme FP8_DYNAMIC)
Weights / activations	W8A8 — FP8 E4M3 weights (per-channel), dynamic per-token FP8 activations
Architecture	Dense · GLM text backbone + vision encoder · MTP head · document/OCR VLM
Size on disk	~2.2 GB
Calibration	None (data-free)
License	mit

Quantization details

• Scheme — W8A8 — FP8 E4M3 weights (per-channel), dynamic per-token FP8 activations, stored as compressed-tensors float-quantized (scheme FP8_DYNAMIC).
• Kept in BF16 — the vision tower (model.visual.*), the multi-token-prediction layer, token embeddings, the LM head, and all RMSNorms (about 63% of all parameters in this build). Only the language-model backbone's attention & MLP projections are quantized, so the OCR/vision path is untouched.
• Post-training quantization (no retraining). Tokenizer / chat_template / processor identical to the original.

Evaluation (measured)

Fidelity to the BF16 original on an internal mixed EN/KO set (100 prompts, text next-token scoring).

Metric	This model	BF16 original
Perplexity (lower = closer)	1.3726	1.3599 (+0.9%)
Top-1 next-token agreement	96.5%	99.4%

Requirements

Runtime	vLLM — the architecture is in vLLM ≥ 0.16.0; tested here with vLLM 0.32.0.
vLLM install	vLLM 0.32 itself needs Python 3.11–3.14, torch 2.13 (CUDA 13.0 build, so an NVIDIA driver with CUDA 13 support), transformers ≥5.16.1,<5.20 and compressed-tensors 0.17.0 (both pinned by vLLM; 0.17.0 reads this checkpoint, which was saved with 0.19.0 — do not upgrade it separately).
GPU	NVIDIA Turing (sm75, e.g. T4) or newer. FP8 math runs on Ada / Hopper / Blackwell (sm89+); on Turing and Ampere vLLM switches to weight-only FP8 automatically. V100 (sm70) is not supported. (Kernel choice per GPU from vLLM 0.32's selection code; only B200 was run here.)
Memory	Weights: 2.2 GB. Add KV cache (grows with context length × concurrent requests) and a few GB for activations / CUDA graphs; use --tensor-parallel-size N when the weights do not fit one GPU.
Transformers (without vLLM)	transformers>=5.1.0 + compressed-tensors>=0.15.0 (text path checked; image input not tested).
trust_remote_code	not needed

Usage (vLLM)

Start an OpenAI-compatible server:

vllm serve axteam/GLM-OCR-FP8-dynamic --max-model-len 32768

Query it:

curl http://localhost:8000/v1/chat/completions -H "Content-Type: application/json" -d '{
  "model": "axteam/GLM-OCR-FP8-dynamic",
  "messages": [{"role": "user", "content": "대한민국의 수도는 어디인가요?"}],
  "max_tokens": 512
}'

Offline inference in Python:

from vllm import LLM, SamplingParams

llm = LLM(model="axteam/GLM-OCR-FP8-dynamic", max_model_len=32768)
params = SamplingParams(max_tokens=1024)
out = llm.chat([{"role": "user", "content": "Explain model quantization in two sentences."}], params)
print(out[0].outputs[0].text)

# image input (URL or data: URI)
messages = [{"role": "user", "content": [
    {"type": "image_url", "image_url": {"url": "https://example.com/your-image.png"}},
    {"type": "text", "text": "Extract all text from this image."},
]}]
out = llm.chat(messages, params)
print(out[0].outputs[0].text)

Thinking mode is on by default in the chat template; to turn it off pass chat_template_kwargs={"enable_thinking": False} (Python llm.chat(..., chat_template_kwargs=...), or "chat_template_kwargs": {"enable_thinking": false} in the request body). For task-specific OCR prompts (tables, formulas, layout) see the original model card.

Reducing KV-cache memory (optional, serve-time)

The KV cache is kept in BF16 by default. KV-cache precision is a runtime choice, independent of the weight quantization above; for long contexts or large batches FP8 roughly halves KV-cache memory:

vllm serve axteam/GLM-OCR-FP8-dynamic --kv-cache-dtype fp8

License

Quantized derivative of zai-org/GLM-OCR (mit). Original weights & processor belong to the upstream authors.

---

한국어 요약

zai-org/GLM-OCR의 FP8 (W8A8) 양자화 빌드 · 제작 axteam

개요

항목	내용
원본 모델	zai-org/GLM-OCR
양자화 방식	FP8 동적 양자화 (W8A8)
저장 형식	compressed-tensors float-quantized (scheme FP8_DYNAMIC)
모델 구조	Dense · GLM 텍스트 백본 + 비전 타워 · MTP 헤드 · 문서·OCR용 VLM
용량	약 2.2 GB
보정 데이터	없음 (가중치 스케일은 가중치만으로 계산, 활성화 스케일은 실행 시 계산)

양자화 상세

• 가중치: FP8(E4M3), 출력 채널별 스케일
• 활성화: 실행 시 토큰별 동적 FP8
• 양자화 절차: PTQ(학습 후 양자화, 재학습 없음), 가중치 스케일은 미리 계산하고 활성화 스케일은 실행 시 토큰마다 계산
• BF16 유지: 비전 타워(model.visual.*), MTP 헤드(다중 토큰 예측 층), 토큰 임베딩, LM 헤드, 모든 RMSNorm — 전체 파라미터의 약 63%
• 양자화 대상: 언어모델 백본의 어텐션·MLP 선형층(projection) (OCR·비전 경로는 원본 그대로)
• 원본 파일: 토크나이저·chat template·processor는 원본과 동일

품질 (실측)

• 원본 대비 충실도: PPL 1.3726 (원본 1.3599, +0.9%, 낮을수록 원본에 가까움), 다음 토큰 top-1 일치율 96.5% (원본 자체 기준값 99.4%) — 내부 영어·한국어 혼합 프롬프트 100개, 텍스트 다음 토큰 기준으로 측정

요구사항

• 실행 엔진: vLLM 0.16.0 이상(이 구조를 지원하는 첫 버전), 이 빌드는 vLLM 0.32.0에서 실행 확인
• vLLM 0.32 설치 조건: Python 3.11~3.14, torch 2.13(CUDA 13.0 빌드, CUDA 13 지원 드라이버 필요), transformers 5.16.1 이상 5.20 미만, compressed-tensors 0.17.0 — transformers·compressed-tensors는 vLLM이 버전을 고정하므로 compressed-tensors를 따로 업그레이드하지 말 것 (이 체크포인트는 0.19.0으로 저장됐지만 0.17.0에서도 로드됨)
• GPU: NVIDIA Turing(sm75, 예: T4) 이상, V100(sm70) 미지원 — FP8 연산은 Ada·Hopper·Blackwell(sm89 이상)에서 수행, Turing·Ampere는 vLLM이 가중치 전용 FP8로 자동 전환 (GPU별 지원 여부는 vLLM 0.32 커널 선택 코드 기준, 실제 실행은 B200에서만 확인)
• 메모리: 가중치 2.2 GB + KV 캐시(컨텍스트 길이 × 동시 요청 수에 비례) + 활성화·CUDA graph용 수 GB — GPU 한 장에 다 들어가지 않으면 --tensor-parallel-size N으로 분산
• Transformers로 직접 사용: transformers 5.1.0 이상 + compressed-tensors 0.15.0 이상 (텍스트 경로만 확인, 이미지 입력은 실행 미확인)
• trust_remote_code: 불필요

사용법

• 서버 실행: vllm serve axteam/GLM-OCR-FP8-dynamic --max-model-len 32768 — OpenAI 호환 API
• Python: LLM(model="axteam/GLM-OCR-FP8-dynamic", max_model_len=32768).chat(...) — 전체 예시는 위 영어 본문 'Usage (vLLM)' 절 참고
• thinking 모드: 기본 켜짐 — 끄려면 chat_template_kwargs={"enable_thinking": False} 전달(Python은 llm.chat() 인자, HTTP는 요청 본문의 "chat_template_kwargs": {"enable_thinking": false})
• 이미지 입력: 메시지에 image_url 항목 사용
• OCR 프롬프트: 표·수식·레이아웃 등 작업별 프롬프트는 원본 카드 참고
• KV 캐시 절감(선택): vllm serve에 --kv-cache-dtype fp8 추가 — 기본 BF16인 KV 캐시를 FP8로 저장해 KV 캐시 메모리를 약 절반으로 줄임 (긴 컨텍스트·동시 요청이 많을 때 유리, 가중치 양자화와 별개인 실행 옵션)

라이선스

• 라이선스: MIT — 원본 모델의 라이선스를 그대로 따름
• 권리: 원본 가중치·processor는 Z.ai 소유, 이 리포는 양자화 파생물