Qwen3.5 4B for onwx — 画像も読める軽い 4B を AMD Ryzen AI の NPU で

日本語 | English

Alibaba の Qwen3.5-4B を、onwx 用に変換したものです。onwx は LLM を AMD Ryzen AI の NPU（XDNA2）だけで 動かすアプリで、このリポジトリにはモデルと、このモデル専用の NPU プログラムが入っています（アプリは別にインストールします）。

重みは int4（128 個ごとのスケールと最小値つき）で NPU に載せ、行列計算・DeltaNet・アテンション・LM ヘッドまで 1 トークンの計算をすべて NPU の 32 個の AI エンジンで行います。画像のエンコーダー（ViT）は CPU で動きます。NPU 向けのプログラムはビルド済みなので、PC の上でコンパイルを待つことはありません。

（onwx 0.6.0、Ryzen AI Max+ 395（Windows）で NPU の電力モードを performance にして測定。Ryzen AI 300 シリーズ（HX 370 など）も NPU は同じ 32 個の AI エンジンで、同じ方式で動きます。標準の電力モードでは NPU のクロックが下がって 2 割ほど遅くなります。電力モードは管理者の PowerShell で C:\Windows\System32\AMD\xrt-smi.exe configure --pmode performance。Windows の Copilot+ の AI 機能が NPU を使っていると遅くなることがあります）

FastFlowLM との比較

AMD Ryzen AI の NPU で LLM を動かす代表的なアプリ FastFlowLM（FLM）1.0.8 と、FLM 自身の flm bench と同じ測り方で比べました（同じ PC、NPU は performance モード、プロンプト 128〜32K トークン）。生成速度はどちらも 温度 0 で 1 トークンずつの値です（4B には MTP 層がないので、onwx も MTP なし）。

点線は、onwx の設定「CPU も使ってプロンプトの読み込みを速くする（消費電力が増えます）」をオンにした値です（既定はオフ）。

• 生成はどの長さでも onwx が 2〜4 割速く、512 トークンの回答を書き終えるまでの実効速度は 16K までの文脈で onwx が上です。
• プロンプトの読み込みは、4B では FLM のほうが速いです（4K で FLM 5.8 秒、onwx 6.4 秒。32K で FLM 53 秒、onwx 77 秒）。 CPU も使う設定では 2K〜4K で onwx が速くなります（4K で 5.7 秒）。32K の長いプロンプトでは、回答を書き終えるまでの時間も FLM が少し短くなります。

使い方

1. onwx（アプリ、0.2.2 以降）を入れます。 Windows はスタートメニューで「PowerShell」を開き、次の 1 行を貼って Enter（Ubuntu は onwx の README の curl ... | bash）。

   irm https://huggingface.co/ryugyosoft/onwx/resolve/main/install.ps1 | iex
   

2. タスクトレイの赤い onwx アイコンから開く onwx ウィンドウ の「モデル」タブで Qwen3.5 4B を選び、「ダウンロード」を押します（4.8 GB）。

3. 「サーバー」タブで「ロード」を押します。

4. 「チャット」ですぐ試せます（画像も貼れます）。他のアプリからは OpenAI 互換 API として使えます（base URL は http://127.0.0.1:8100/v1、画像は image_url の data URL で）。

from openai import OpenAI
c = OpenAI(base_url="http://127.0.0.1:8100/v1", api_key="none")
r = c.chat.completions.create(model="Qwen3.5-4B-onwx", messages=[{"role": "user", "content": "こんにちは"}])
print(r.choices[0].message.content)

動く PC

• XDNA2 NPU の AMD Ryzen AI：Ryzen AI 300 シリーズ（Strix Point、例：Ryzen AI 9 HX 370）、Ryzen AI Max シリーズ（Strix Halo）
• Windows 11 と AMD の NPU ドライバー（32.0.203 以降で確認）。Ubuntu は試験的（amdxdna ドライバーと XRT が必要）
• メモリ 16 GB 以上

しくみ

• 大きさ：隠れ層の幅 2560 を NPU 上では 3072 に広げて（増えた分は 0）計算します。LM ヘッドは元のモデルと同じく単語の埋め込みと共有の重みです（NPU 用に int4 にしたもの）。
• 重み：線形層を int4（128 個ごとに bf16 のスケールと最小値）にしています。量子化の前に、入力側を 1024 個ずつアダマール行列とランダムな符号で回転した重み（W·D·H/32）にしてあり、NPU 上でも入力を同じように回転します。回転すると外れ値が散らばり、重みの int4 も、プロンプト処理の int8 の活性化も誤差が小さくなります。さらに GPTQ（較正データで int4 の丸めの誤差を後の列に振り分ける方法）で量子化しているので、形式は同じまま誤差が小さくなっています。
• 生成（1 トークンずつ）：16 個の AI エンジンが重みを読みながら行列×ベクトルを計算し（int4 を bf16 に直して積和）、8 個が DeltaNet、4 個がアテンションを受け持ちます。
• プロンプトの読み込み：256 トークン以上は 1,024 / 2,048 トークンずつまとめ、NPU の 32 個の AI エンジン全部で 1 層ずつ処理します。行列計算は行列ユニットのブロック浮動小数点（bfp16）で、int4 の重みはその層を計算する直前に NPU 上で bfp16 に展開します（展開した重みは持ち続けないので、使用メモリの増加は約 0.5 GB）。DeltaNet はチャンク単位の並列形式、アテンションは int8 のキャッシュを読むフラッシュアテンションで、途中の値は層の間も NPU のメモリに置いたままです。短いプロンプトと端数は従来どおり 32 トークンずつの int8 の経路で読みます。1 トークンずつ読んだ場合との差は、出力の分布の KL で 0.002 程度です。
• 画像：Qwen3.5 の ViT（24 層）を numpy で CPU 上で動かし、2×2 パッチごとに 1 トークンとして言語モデルに入れます（位置は MRoPE）。縦横比は保ったまま、最大で 512×512 ピクセル相当（256 トークン）に縮めます。
• キャッシュ：アテンションのキーと値は、ヘッドごとにアダマール行列で回転してから int8 で持ちます（0.3.0 の bf16 の半分のメモリ。出力の分布への影響は KL 0.0003 程度）。
• 文脈：最大 262144 トークン（モデルの上限）。
• 思考モードとツール呼び出しに対応しています。動画は読めません。

ファイル

ライセンス

元のモデルと同じ Apache-2.0 です（LICENSE）。モデルの重みは Qwen/Qwen3.5-4B に由来します。