语音理解模型EAGLE3

语音理解模型EAGLE3#

Eagle3是目前最常用、加速效果最好的投机采样算法。 本项目包括Eagle3的训练以及benchmark测试，并开源了Qwen2Audio的Eagle3权重。

我们训练的Qwen2Audio Eagle3模型的表现可以参见基准测试benchmarks， 其中全部数据都是在单张H20上使用vLLM推理获得。

1. 支持模型列表#

  • Qwen2Audio

2. 准备数据#

2.1 数据组织形式#

所有数据需保存在jsonl文件中，训练数据格式可参考:

  • 数据示例: AngelSlim/dataset/librispeech_test/librispeech_eval_10_test.jsonl

    {"id": 5910, "conversations": [{"role": "user", "content": [{"type": "audio", "audio": "./audios/1580-141083-0008.flac"}, {"type": "text", "text": "Detect the language and recognize the speech: <|en|>"}]}, {"role": "assistant", "content": [{"type": "text", "text": "THE PROOF WAS IN THREE LONG SLIPS I HAD LEFT THEM ALL TOGETHER"}]}]}

  • 典型字段意义如下:

    • id: 对话唯一标识

    • conversations: OpenAI 对话格式

      • audio: 对应音频文件路径

2.2 重采样训练数据（推荐）#

为得到高质量的目标模型SFT数据，建议使用目标模型重新采样训练数据，将LLM生成的结果保存在jsonl文件中，对应的Audio文件存储在同一目录下，组织形式同上。

可基于实际应用场景自行生成训练数据，下面提供vLLM生成数据流程参考：

步骤1：启动vLLM server

首先需要启动vLLM server来提供模型推理服务：

bash scripts/speculative/run_vllm_server.sh

server配置说明：

  • 该脚本会启动目标基础模型的vLLM推理服务

  • 确保服务器成功启动后再进行下一步数据生成

  • 可以通过修改脚本中的参数来调整vLLM server配置（如vLLM启动参数、GPU数量等），来适应不同的目标模型

步骤2：生成采样数据

vLLM server启动后，使用 scripts/speculative/generate_data_for_target_model.sh 脚本生成训练数据：

bash scripts/speculative/generate_data_for_target_model.sh

脚本功能说明：

  • 通过vLLM server调用目标基础模型对输入数据进行采样

  • 生成 .jsonl 格式的训练数据集

  • 数据将用于后续Eagle模型的在线训练

脚本参数说明：

在使用前，需要在脚本中配置以下参数：

  • DATA_NAME_OR_PATH: 输入数据集的HF名称或本地路径

  • OUTPUT_DIR: 生成的数据集输出路径

  • DATA_FORMAT: 输入数据集的格式（sharegpt|ultrachat）

  • DATA_SHARD_SIZE: 生成数据集的切分子集大小

  • BASE_PORT: vLLM server的端口号

注意事项：

  • 确保vLLM服务器已成功启动并正常运行

  • 数据生成过程可能需要较长时间，取决于样本数量和模型规模

3. 训练Eagle3模型#

目前支持Qwen2Audio在线训练模式：在线训练适合显存足够、目标模型不大、训练上下文长度不要求极长的场景。

3.1 在线训练#

使用下面的脚本进行Eagle3模型的在线训练：

bash scripts/speculative/qwen2_audio/train_eagle3_audio_online.sh

脚本参数说明：

在使用前，需要在脚本中配置以下参数：

  • TARGET_MODEL_NAME_OR_PATH: 目标模型的HF名称或本地名称

  • DRAFT_MODEL_CONFIG_PATH: 草稿模型的config路径

  • TRAIN_DATA_PATH: 训练数据路径

  • EVAL_DATA_PATH: 验证数据路径

  • OUTPUT_DIR: Eagle3模型输出路径

  • MODEL_MAX_LENGTH: 训练数据的最大长度

  • CHAT_TEMPLATE_TYPE: 目标模型的数据模板类型

4. 基准测试#

AngelSlim提供了Qwen2Audio模型vLLM backend的Eagle3基准测试脚本，用于评估投机采样的性能提升。

4.1 vLLM基准测试#

vLLM 适配参考: Support Eagle3 for Qwen2Audio

4.1.1 基本用法#

使用 tools/vllm_offline_eagle3_qwen2_audio_bench.py 脚本进行投机采样基准测试：

python3 tools/vllm_offline_eagle3_qwen2_audio_bench.py \
    --target_model ${BASE_MODEL_PATH} \
    --draft_model ${EAGLE_MODEL_PATH} \
    --output_file ${OUTPUT_FILE} \
    --use_eagle \

4.1.2 参数说明#

模型配置参数：

  • --target_model: 基础模型路径（必需）

  • --draft_model: Eagle辅助模型路径（必需）

基准测试配置：

  • --test_data_path: 测试jsonl文件路径，默认为: “dataset/librispeech_test/librispeech_eval_10_test.jsonl”

  • --use_eagle: 运行Eagle3推理，默认为False

  • --output_file: 输出结果文件路径

  • --num_prompts: 测试用例数量，默认为100

生成参数：

  • --temp: 采样温度，默认为 0

  • --max_model_len: 最大上下文长度，默认为 16384

  • --output_len: 最大生成token数，默认为 1024

  • --max_num_seqs: 每次迭代的最大序列数，默认为 1

  • --num_spec_tokens: draft model投机采样token数量，默认为2

硬件配置：

  • --tp: 张量并行大小，默认为1

其他设置：

  • --seed: 随机种子

4.1.3 使用示例#

测试数据组织形式：所有数据需保存在jsonl文件中，对应的Audio文件存储在同一目录下，目录结构可参考：

└── librispeech_test
    ├── librispeech_eval_10_test.json
    ├── audios
    │   ├── xxx.flac
    │   ├── xxx.flac

运行投机采样：

python3 tools/vllm_offline_eagle3_qwen2_audio_bench.py \
    --target_model Qwen/Qwen2-Audio-7B-Instruct \
    --draft_model "$EAGLE_DIR" \
    --use_eagle \
    --num_spec_tokens 4 \
    --num_prompts 10 \
    --temp 0 \
    --max_num_seqs 1 \
    --output_len 1024 \
    --output_file "$OUTPUT_FILE"

Baseline基准测试：

python3 tools/vllm_offline_eagle3_qwen2_audio_bench.py \
    --target_model Qwen/Qwen2-Audio-7B-Instruct \
    --num_prompts 10 \
    --temp 0 \
    --max_num_seqs 1 \
    --output_len 1024 \
    --output_file "$OUTPUT_FILE"

4.1.4 性能报告#

运行完成后，工具会自动生成性能报告，包括：

  • 投机采样与基线模型的性能对比

  • 加速比统计

  • 生成质量指标（如果启用）

结果将保存在指定的输出目录中，便于后续分析和比较。

完整的vLLM benchmark结果可见Benchmark。

目录