license, base_model, tags, language, pipeline_tag
| license | base_model | tags | language | pipeline_tag | ||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| mit | deepseek-ai/DeepSeek-R1-Distill-Qwen-32B |
|
|
text-generation |
DeepSeek-R1-32B-v2 AWQ
DeepSeek-R1-Distill-Qwen-32B의 AWQ 4-bit 양자화 모델입니다.
GPTQ 대비 추론 속도와 메모리 효율에서 장점을 가지며, 한국어 학술 지문 기반 수능 풀이 특화 프로젝트에서 활용되었습니다.
모델 정보
| 항목 | 내용 |
|---|---|
| Base Model | deepseek-ai/DeepSeek-R1-Distill-Qwen-32B |
| 양자화 방식 | AWQ 4-bit |
| 파라미터 수 | 32.8B |
| 아키텍처 | Qwen2 |
GPTQ 버전과 비교
| 항목 | AWQ (이 모델) | GPTQ |
|---|---|---|
| 추론 속도 | ✅ 빠름 | 보통 |
| 메모리 효율 | ✅ 높음 | 보통 |
| 호환 라이브러리 | autoawq, vLLM | auto-gptq, vLLM |
| 링크 | 현재 모델 | xeker/deepseek-r1-32b-v2-gptq |
사용 방법
from transformers import AutoTokenizer, AutoModelForCausalLM
tokenizer = AutoTokenizer.from_pretrained("xeker/deepseek-r1-32b-v2-awq")
model = AutoModelForCausalLM.from_pretrained(
"xeker/deepseek-r1-32b-v2-awq",
device_map="auto"
)
messages = [
{"role": "user", "content": "다음 문제를 단계적으로 풀어보세요.\n\n[문제]"}
]
text = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = tokenizer(text, return_tensors="pt").to(model.device)
outputs = model.generate(**inputs, max_new_tokens=4096)
print(tokenizer.decode(outputs[0], skip_special_tokens=False))
vLLM 사용 (권장)
from vllm import LLM, SamplingParams
llm = LLM(model="xeker/deepseek-r1-32b-v2-awq", quantization="awq")
sampling_params = SamplingParams(temperature=0.7, max_tokens=4096)
outputs = llm.generate(["다음 문제를 풀어보세요."], sampling_params)
print(outputs[0].outputs[0].text)
프로젝트 배경
네이버 부스트캠프 AI Tech 8기 팀 프로젝트의 일환으로 진행된 수능 풀이 특화 LLM 개발 프로젝트에서 활용된 모델입니다.