Qwen2模型结构代码详解

并行优化：通过张量并行（TP）切分线性层/注意力头，流水线并行（PP）切分解码器层，适配大模型多GPU推理；效率优化：融合QKV/gate-up投影、KV缓存、RoPE优化，减少计算和通信开销；兼容性：兼容HuggingFace的Qwen2权重，支持量化、LoRA、超长上下文；推理专属：无训练相关代码，全部为推理优化（Pre-LN、残差连接、缓存管理）。

m0_63217963

627人浏览 · 2026-01-03 22:41:40

m0_63217963 · 2026-01-03 22:41:40 发布

Qwen2模型结构代码详解

实现了适配vLLM推理框架的Qwen2大语言模型，核心是实现解码器（Decoder）结构的前向推理、权重加载、量化适配等能力。下面我们拆解每个模块的设计逻辑和代码含义：

一、基础导入与版权声明

# SPDX-License-Identifier: Apache-2.0
# SPDX-FileCopyrightText: Copyright contributors to the vLLM project

# Adapted from
# https://github.com/huggingface/transformers/blob/v4.28.0/src/transformers/models/qwen2/modeling_qwen2.py
# 版权声明与开源协议说明：该代码基于Apache 2.0协议，适配自HuggingFace的Qwen2实现，
# 同时保留了vLLM、Qwen团队、EleutherAI等机构的版权信息

"""Inference-only Qwen2 model compatible with HuggingFace weights."""
# 模块说明：这是仅用于推理的Qwen2模型实现，兼容HuggingFace发布的权重文件

from collections.abc import Iterable
from typing import Any, Optional, Union

import torch
from torch import nn
from transformers import Qwen2Config

from vllm.attention import Attention, AttentionType
from vllm.compilation.decorators import support_torch_compile
from vllm.config import CacheConfig, VllmConfig
from vllm.distributed import get_pp_group, get_tensor_model_parallel_world_size
from vllm.model_executor.layers.activation import SiluAndMul
from vllm.model_executor.layers.layernorm import RMSNorm
from vllm.model_executor.layers.linear import (MergedColumnParallelLinear,
                                               QKVParallelLinear,
                                               RowParallelLinear)
from vllm.model_executor.layers.logits_processor import LogitsProcessor
from vllm.model_executor.layers.quantization import QuantizationConfig
from vllm.model_executor.layers.rotary_embedding import get_rope
from vllm.model_executor.layers.vocab_parallel_embedding import (
    ParallelLMHead, VocabParallelEmbedding)
from vllm.model_executor.model_loader.weight_utils import (
    default_weight_loader, maybe_remap_kv_scale_name)
from vllm.model_executor.sampling_metadata import SamplingMetadata
from vllm.sequence import IntermediateTensors

from .interfaces import SupportsLoRA, SupportsPP
from .utils import (AutoWeightsLoader, PPMissingLayer, extract_layer_index,
                    is_pp_missing_parameter,
                    make_empty_intermediate_tensors_factory, make_layers,
                    maybe_prefix)

基础库导入：torch/nn是PyTorch核心，用于构建神经网络；Qwen2Config是HuggingFace定义的Qwen2模型配置类，包含模型维度、层数等参数。
vLLM专属导入：
- Attention/AttentionType：vLLM优化的注意力机制实现（支持张量并行、缓存优化）；
- CacheConfig/VllmConfig：vLLM的缓存、整体配置类，控制KV缓存、量化、并行等策略；
- 并行线性层（MergedColumnParallelLinear等）：适配张量并行（TP）的线性层，把大矩阵切分到多个GPU；
- RMSNorm：Qwen2使用的归一化层（替代LayerNorm）；
- QuantizationConfig：量化配置，支持FP8/GPTQ等量化方式；
- get_rope：旋转位置编码（RoPE）实现，Qwen2的核心位置编码方式；
- 并行嵌入层（VocabParallelEmbedding）：词汇表切分的嵌入层，适配多GPU并行；
- 工具类（AutoWeightsLoader等）：处理权重加载、流水线并行（PP）的参数缺失判断等。

二、Qwen2MLP：前馈网络模块

class Qwen2MLP(nn.Module):

    def __init__(
        self,
        hidden_size: int,
        intermediate_size: int,
        hidden_act: str,
        quant_config: Optional[QuantizationConfig] = None,
        prefix: str = "",
    ) -> None:
        super().__init__()

类定义：Qwen2MLP继承nn.Module（PyTorch所有网络层的基类），实现Qwen2的前馈网络（Feed-Forward Network）。
初始化参数：
- hidden_size：模型隐藏层维度（比如Qwen2-7B的hidden_size是4096）；
- intermediate_size：前馈网络中间层维度（通常是hidden_size的2-4倍）；
- hidden_act：激活函数类型；
- quant_config：量化配置（可选，用于量化推理）；
- prefix：参数命名前缀（适配权重加载）。

        self.gate_up_proj = MergedColumnParallelLinear(
            hidden_size,
            [intermediate_size] * 2,
            bias=False,
            quant_config=quant_config,
            prefix=f"{prefix}.gate_up_proj",
        )

gate_up_proj：融合了“门控投影”（gate）和“上投影”（up）的并行线性层。
- 普通MLP是x → up → act → down，Qwen2用GLU变体：x → (gate, up) → gate * silu(up) → down；
- MergedColumnParallelLinear：把gate和up的权重合并成一个大矩阵，按列切分到多个GPU（张量并行），减少通信开销；
- [intermediate_size] * 2：输出维度是2倍intermediate_size，分别对应gate和up。

        self.down_proj = RowParallelLinear(
            intermediate_size,
            hidden_size,
            bias=False,
            quant_config=quant_config,
            prefix=f"{prefix}.down_proj",
        )

down_proj：下投影层，把中间维度映射回隐藏层维度。
- RowParallelLinear：按行切分的并行线性层，和gate_up_proj的列切分配合，完成张量并行的前馈计算。

        if hidden_act != "silu":
            raise ValueError(f"Unsupported activation: {hidden_act}. "
                             "Only silu is supported for now.")
        self.act_fn = SiluAndMul()

激活函数校验：Qwen2仅支持SiLU（Sigmoid Linear Unit）激活；
SiluAndMul：vLLM优化的SiLU+乘法操作，对应GLU的计算逻辑（silu(up) * gate）。

    def forward(self, x):
        gate_up, _ = self.gate_up_proj(x)
        x = self.act_fn(gate_up)
        x, _ = self.down_proj(x)
        return x

前向传播逻辑：
1. gate_up_proj(x)：输入x经过融合的门控+上投影，输出形状是[batch, seq_len, 2*intermediate_size]；
2. act_fn(gate_up)：把gate_up切分成gate和up两部分，计算silu(up) * gate；
3. down_proj(x)：把中间维度映射回hidden_size，完成MLP计算；
4. 返回值：MLP的输出（形状和输入x一致：[batch, seq_len, hidden_size]）。

三、Qwen2Attention：注意力机制模块

class Qwen2Attention(nn.Module):

    def __init__(
        self,
        hidden_size: int,
        num_heads: int,
        num_kv_heads: int,
        max_position: int = 4096 * 32,
        rope_theta: float = 10000,
        cache_config: Optional[CacheConfig] = None,
        quant_config: Optional[QuantizationConfig] = None,
        rope_scaling: Optional[tuple] = None,
        prefix: str = "",
        attn_type: str = AttentionType.DECODER,
        dual_chunk_attention_config: Optional[dict[str, Any]] = None,
    ) -> None:
        super().__init__()

类定义：实现Qwen2的多头注意力机制（MHA），支持多查询注意力（MQA）/分组查询注意力（GQA）。
核心参数：
- num_heads：总查询头数（Q头数）；
- num_kv_heads：总KV头数（MQA时num_kv_heads=1，GQA时是num_heads的约数）；
- max_position：最大序列长度（Qwen2支持超长上下文，默认4096*32）；
- rope_theta：RoPE的基础参数（控制位置编码的周期）；
- cache_config：KV缓存配置（vLLM的核心优化，缓存之前的K/V减少重复计算）；
- rope_scaling：RoPE缩放配置（支持超长上下文的位置编码缩放）；
- attn_type：注意力类型（Decoder表示因果注意力，Encoder-only表示双向注意力）；
- dual_chunk_attention_config：双块注意力配置（Qwen2的优化注意力策略）。

        self.hidden_size = hidden_size
        tp_size = get_tensor_model_parallel_world_size()
        self.total_num_heads = num_heads
        assert self.total_num_heads % tp_size == 0
        self.num_heads = self.total_num_heads // tp_size

张量并行（TP）切分：
- tp_size：获取当前张量并行的GPU数量（比如2个GPU则tp_size=2）；
- total_num_heads是全局总头数，num_heads是当前GPU负责的头数（总头数/TP数），确保能被整除。

        self.total_num_kv_heads = num_kv_heads
        if self.total_num_kv_heads >= tp_size:
            # Number of KV heads is greater than TP size, so we partition
            # the KV heads across multiple tensor parallel GPUs.
            assert self.total_num_kv_heads % tp_size == 0
        else:
            # Number of KV heads is less than TP size, so we replicate
            # the KV heads across multiple tensor parallel GPUs.
            assert tp_size % self.total_num_kv_heads == 0
        self.num_kv_heads = max(1, self.total_num_kv_heads // tp_size)

KV头的TP适配：
- 如果KV总头数≥TP数：按TP数切分KV头（每个GPU负责部分KV头）；
- 如果KV总头数<TP数：每个KV头复制到多个GPU（比如TP=4，KV头=2，则每个KV头在2个GPU上复制）；
- num_kv_heads：当前GPU负责的KV头数。

        self.head_dim = hidden_size // self.total_num_heads
        self.q_size = self.num_heads * self.head_dim
        self.kv_size = self.num_kv_heads * self.head_dim
        self.scaling = self.head_dim**-0.5
        self.rope_theta = rope_theta
        self.dual_chunk_attention_config = dual_chunk_attention_config

维度计算：
- head_dim：每个注意力头的维度（隐藏层维度/总头数）；
- q_size：当前GPU的Q维度（本地头数*头维度）；
- kv_size：当前GPU的KV维度（本地KV头数*头维度）；
- scaling：注意力分数的缩放因子（1/√头维度），防止数值过大。

        self.qkv_proj = QKVParallelLinear(
            hidden_size,
            self.head_dim,
            self.total_num_heads,
            self.total_num_kv_heads,
            bias=True,
            quant_config=quant_config,
            prefix=f"{prefix}.qkv_proj",
        )

qkv_proj：融合Q/K/V投影的并行线性层。
- 普通实现是3个独立线性层（Q_proj/K_proj/V_proj），这里合并成一个，减少显存占用和通信；
- QKVParallelLinear：适配TP的QKV投影，按列切分权重到多个GPU。

        self.o_proj = RowParallelLinear(
            self.total_num_heads * self.head_dim,
            hidden_size,
            bias=False,
            quant_config=quant_config,
            prefix=f"{prefix}.o_proj",
        )

o_proj：注意力输出投影层，把多个头的输出合并回隐藏层维度，使用RowParallelLinear完成TP并行的行切分。

        self.rotary_emb = get_rope(
            self.head_dim,
            rotary_dim=self.head_dim,
            max_position=max_position,
            base=self.rope_theta,
            rope_scaling=rope_scaling,
            dual_chunk_attention_config=dual_chunk_attention_config,
        )

旋转位置编码初始化：get_rope返回vLLM优化的RoPE实现，支持超长上下文、缩放等特性，rotary_dim=self.head_dim表示所有维度都应用RoPE。

        self.attn = Attention(
            self.num_heads,
            self.head_dim,
            self.scaling,
            num_kv_heads=self.num_kv_heads,
            cache_config=cache_config,
            quant_config=quant_config,
            attn_type=attn_type,
            prefix=f"{prefix}.attn",
            **{
                "layer_idx": extract_layer_index(prefix),
                "dual_chunk_attention_config": dual_chunk_attention_config,
            } if dual_chunk_attention_config else {})

注意力核心实现：Attention是vLLM优化的注意力层，支持：
- KV缓存（减少重复计算）；
- 量化（KV缓存量化）；
- 因果注意力（Decoder）/双向注意力（Encoder-only）；
- 双块注意力（dual chunk attention）；
- layer_idx：当前层的索引（用于缓存管理）。

注意力前向传播

    def forward(
        self,
        positions: torch.Tensor,
        hidden_states: torch.Tensor,
    ) -> torch.Tensor:
        qkv, _ = self.qkv_proj(hidden_states)
        q, k, v = qkv.split([self.q_size, self.kv_size, self.kv_size], dim=-1)

输入：positions是序列位置（形状[seq_len]），hidden_states是输入隐藏层（形状[batch, seq_len, hidden_size]）；
qkv_proj(hidden_states)：输入经过QKV投影，输出形状[batch, seq_len, q_size+2*kv_size]；
split：把QKV投影结果切分成Q、K、V三个张量，维度分别是[batch, seq_len, q_size]、[batch, seq_len, kv_size]、[batch, seq_len, kv_size]。

        q, k = self.rotary_emb(positions, q, k)

应用RoPE：根据位置信息，对Q和K做旋转编码（V不做），让模型感知序列顺序。

        attn_output = self.attn(q, k, v)

注意力计算：调用vLLM的Attention层，完成QKV的注意力计算（包含KV缓存、因果掩码、TP并行），输出形状[batch, seq_len, num_heads*head_dim]。

        output, _ = self.o_proj(attn_output)
        return output

输出投影：把注意力输出映射回hidden_size维度，返回最终结果（形状[batch, seq_len, hidden_size]）。

四、Qwen2DecoderLayer：解码器单层

class Qwen2DecoderLayer(nn.Module):

    def __init__(
        self,
        config: Qwen2Config,
        cache_config: Optional[CacheConfig] = None,
        quant_config: Optional[QuantizationConfig] = None,
        prefix: str = "",
    ) -> None:
        super().__init__()
        self.hidden_size = config.hidden_size
        # Requires transformers > 4.32.0
        rope_theta = getattr(config, "rope_theta", 1000000)
        rope_scaling = getattr(config, "rope_scaling", None)
        dual_chunk_attention_config = getattr(config,
                                              "dual_chunk_attention_config",
                                              None)

初始化：从Qwen2Config中读取模型参数，兼容不同版本的transformers（比如rope_theta默认值）。

        # By default, Qwen2 uses causal attention as it is a decoder-only model.
        # You can override the HF config with `is_causal=False` to enable
        # bidirectional attention, which is used in some embedding models
        # (e.g. Alibaba-NLP/gte-Qwen2-7B-instruct)
        if getattr(config, "is_causal", True):
            attn_type = AttentionType.DECODER
        else:
            attn_type = AttentionType.ENCODER_ONLY

注意力类型选择：
- 默认是因果注意力（Decoder）：只能关注前面的token（符合大模型生成逻辑）；
- 如果设置is_causal=False：双向注意力（用于嵌入模型，比如gte-Qwen2）。

        self.self_attn = Qwen2Attention(
            hidden_size=self.hidden_size,
            num_heads=config.num_attention_heads,
            max_position=config.max_position_embeddings,
            num_kv_heads=config.num_key_value_heads,
            rope_theta=rope_theta,
            cache_config=cache_config,
            quant_config=quant_config,
            rope_scaling=rope_scaling,
            prefix=f"{prefix}.self_attn",
            attn_type=attn_type,
            dual_chunk_attention_config=dual_chunk_attention_config,
        )

初始化自注意力层：把配置参数传递给Qwen2Attention，构建当前层的注意力模块。

        self.mlp = Qwen2MLP(
            hidden_size=self.hidden_size,
            intermediate_size=config.intermediate_size,
            hidden_act=config.hidden_act,
            quant_config=quant_config,
            prefix=f"{prefix}.mlp",
        )

初始化前馈网络：传递hidden_size、intermediate_size等参数，构建MLP模块。

        self.input_layernorm = RMSNorm(config.hidden_size,
                                       eps=config.rms_norm_eps)
        self.post_attention_layernorm = RMSNorm(config.hidden_size,
                                                eps=config.rms_norm_eps)

归一化层：Qwen2使用RMSNorm（无均值偏移的LayerNorm），分别应用在注意力输入前、注意力输出后。

解码器单层前向传播

    def forward(
        self,
        positions: torch.Tensor,
        hidden_states: torch.Tensor,
        residual: Optional[torch.Tensor],
    ) -> tuple[torch.Tensor, torch.Tensor]:
        # Self Attention
        if residual is None:
            residual = hidden_states
            hidden_states = self.input_layernorm(hidden_states)
        else:
            hidden_states, residual = self.input_layernorm(
                hidden_states, residual)

残差连接+归一化（Pre-LN结构）：
- Qwen2用Pre-LN：先归一化，再做注意力/MLP；
- 如果residual是None（第一层或流水线并行的起始层）：初始残差为输入，然后归一化输入；
- 否则：归一化层同时处理输入和残差（vLLM优化的残差+归一化逻辑）。

        hidden_states = self.self_attn(
            positions=positions,
            hidden_states=hidden_states,
        )

自注意力计算：归一化后的输入经过注意力层，得到注意力输出。

        # Fully Connected
        hidden_states, residual = self.post_attention_layernorm(
            hidden_states, residual)
        hidden_states = self.mlp(hidden_states)
        return hidden_states, residual

前馈网络计算：
1. 注意力输出经过后归一化层（结合残差）；
2. 归一化结果送入MLP；
3. 返回MLP输出和更新后的残差（用于下一层计算）。

五、Qwen2Model：完整解码器模型

@support_torch_compile(
    dynamic_arg_dims={
        "input_ids": 0,
        # positions is of shape (3, seq_len) if mrope is enabled for qwen2-vl,
        # otherwise (seq_len, ).
        "positions": -1,
        "intermediate_tensors": 0,
        "inputs_embeds": 0,
    })
class Qwen2Model(nn.Module):

@support_torch_compile：vLLM的装饰器，支持PyTorch 2.0的torch.compile编译优化，指定动态维度（比如input_ids的batch维度、positions的seq_len维度）。

    def __init__(self,
                 *,
                 vllm_config: VllmConfig,
                 prefix: str = "",
                 decoder_layer_type: type[nn.Module] = Qwen2DecoderLayer):
        super().__init__()

        config = vllm_config.model_config.hf_config
        cache_config = vllm_config.cache_config
        quant_config = vllm_config.quant_config

初始化：从VllmConfig中解析HuggingFace配置、缓存配置、量化配置。

        # TODO (@robertgshaw2): see if this can be moved out
        if (cache_config.sliding_window is not None
                and hasattr(config, "max_window_layers")):
            assert config.max_window_layers == config.num_hidden_layers, (
                "Sliding window for some but all layers is not supported. "
                "This model uses sliding window but `max_window_layers` = {} "
                "is less than `num_hidden_layers` = {}. Please open an issue "
                "to discuss this feature.".format(
                    config.max_window_layers,
                    config.num_hidden_layers,
                ))

滑动窗口校验：如果启用滑动窗口注意力，要求所有层都启用（否则抛出断言）。

        self.config = config
        self.quant_config = quant_config
        self.vocab_size = config.vocab_size

保存配置参数：方便后续使用。

        if get_pp_group().is_first_rank or (config.tie_word_embeddings
                                            and get_pp_group().is_last_rank):
            self.embed_tokens = VocabParallelEmbedding(
                config.vocab_size,
                config.hidden_size,
                quant_config=quant_config,
                prefix=f"{prefix}.embed_tokens",
            )
        else:
            self.embed_tokens = PPMissingLayer()

词嵌入层初始化（适配流水线并行PP）：
- PP的第一个rank：负责词嵌入计算；
- 如果词嵌入和LM头绑定（tie_word_embeddings=True）：PP的最后一个rank也保留词嵌入（复用权重）；
- 其他rank：用PPMissingLayer占位（无参数，避免冗余）。

        # Use the provided decoder layer type or default to Qwen2DecoderLayer
        decoder_layer_type = decoder_layer_type or Qwen2DecoderLayer
        self.start_layer, self.end_layer, self.layers = make_layers(
            config.num_hidden_layers,
            lambda prefix: decoder_layer_type(config=config,
                                              cache_config=cache_config,
                                              quant_config=quant_config,
                                              prefix=prefix),
            prefix=f"{prefix}.layers",
        )

构建解码器层列表（适配PP）：
- make_layers：根据PP的rank，切分解码器层（比如总层数32，PP=2，则rank0负责0-15层，rank1负责16-31层）；
- start_layer/end_layer：当前PP rank负责的层范围；
- layers：当前rank的解码器层列表。

        self.make_empty_intermediate_tensors = (
            make_empty_intermediate_tensors_factory(
                ["hidden_states", "residual"], config.hidden_size))

构建空的中间张量工厂：用于PP时传递层间的hidden_states和residual（避免显存浪费）。

        if get_pp_group().is_last_rank:
            self.norm = RMSNorm(config.hidden_size, eps=config.rms_norm_eps)
        else:
            self.norm = PPMissingLayer()

最终归一化层（适配PP）：只有PP最后一个rank需要最终归一化（生成logits前），其他rank用占位符。

词嵌入获取

    def get_input_embeddings(self, input_ids: torch.Tensor) -> torch.Tensor:
        return self.embed_tokens(input_ids)

输入token id（input_ids）经过词嵌入层，得到词嵌入向量（形状[batch, seq_len, hidden_size]）。

完整模型前向传播

    def forward(
        self,
        input_ids: torch.Tensor,
        positions: torch.Tensor,
        intermediate_tensors: Optional[IntermediateTensors] = None,
        inputs_embeds: Optional[torch.Tensor] = None,
    ) -> Union[torch.Tensor, IntermediateTensors]:
        if get_pp_group().is_first_rank:
            if inputs_embeds is not None:
                hidden_states = inputs_embeds
            else:
                hidden_states = self.get_input_embeddings(input_ids)
            residual = None
        else:
            assert intermediate_tensors is not None
            hidden_states = intermediate_tensors["hidden_states"]
            residual = intermediate_tensors["residual"]

输入处理（适配PP）：
- PP第一个rank：从input_ids/inputs_embeds获取初始hidden_states，残差设为None；
- 其他rank：从intermediate_tensors获取上一个rank传递的hidden_states和residual。

        for layer in self.layers[self.start_layer:self.end_layer]:
            hidden_states, residual = layer(
                positions,
                hidden_states,
                residual,
            )

逐层计算：遍历当前rank负责的解码器层，依次计算，更新hidden_states和residual。

        if not get_pp_group().is_last_rank:
            return IntermediateTensors({
                "hidden_states": hidden_states,
                "residual": residual
            })
        hidden_states, _ = self.norm(hidden_states, residual)
        return hidden_states

输出处理（适配PP）：
- 非最后一个PP rank：返回中间张量（传递给下一个rank）；
- 最后一个rank：经过最终归一化，返回最终的hidden_states（用于生成logits）。

权重加载

    def load_weights(self, weights: Iterable[tuple[str,
                                                   torch.Tensor]]) -> set[str]:
        stacked_params_mapping = [
            # (param_name, shard_name, shard_id)
            ("qkv_proj", "q_proj", "q"),
            ("qkv_proj", "k_proj", "k"),
            ("qkv_proj", "v_proj", "v"),
            ("gate_up_proj", "gate_proj", 0),
            ("gate_up_proj", "up_proj", 1),
        ]

权重映射：vLLM把Q/K/V、gate/up融合成一个参数，而HuggingFace的权重是分开的，这里定义映射关系（比如把q_proj映射到qkv_proj的q分片）。

        params_dict = dict(self.named_parameters(remove_duplicate=False))
        loaded_params: set[str] = set()
        for name, loaded_weight in weights:
            if "rotary_emb.inv_freq" in name:
                continue

初始化参数字典和已加载参数集合；跳过RoPE的逆频率参数（无需加载，动态计算）。

            if (self.quant_config is not None and
                (scale_name := self.quant_config.get_cache_scale(name))):
                # Loading kv cache quantization scales
                param = params_dict[scale_name]
                weight_loader = getattr(param, "weight_loader",
                                        default_weight_loader)
                loaded_weight = (loaded_weight if loaded_weight.dim() == 0 else
                                 loaded_weight[0])
                weight_loader(param, loaded_weight)
                loaded_params.add(scale_name)
                continue

加载量化尺度参数：如果启用量化，加载KV缓存的量化尺度参数（适配FP8/GPTQ等）。

            for (param_name, weight_name, shard_id) in stacked_params_mapping:
                if weight_name not in name:
                    continue
                name = name.replace(weight_name, param_name)
                # Skip loading extra bias for GPTQ models.
                if name.endswith(".bias") and name not in params_dict:
                    continue
                if is_pp_missing_parameter(name, self):
                    continue
                param = params_dict[name]
                weight_loader = param.weight_loader
                weight_loader(param, loaded_weight, shard_id)
                break

处理融合参数的权重加载：
- 遍历映射表，把HuggingFace的分开权重（如q_proj）映射到vLLM的融合参数（qkv_proj）；
- 跳过GPTQ模型的冗余bias、PP缺失的参数；
- 调用参数的weight_loader加载权重（适配TP切分）。

            else:
                # Skip loading extra bias for GPTQ models.
                if name.endswith(".bias") and name not in params_dict:
                    continue
                # Remapping the name of FP8 kv-scale.
                name = maybe_remap_kv_scale_name(name, params_dict)
                if name is None:
                    continue
                if is_pp_missing_parameter(name, self):
                    continue
                param = params_dict[name]
                weight_loader = getattr(param, "weight_loader",
                                        default_weight_loader)
                weight_loader(param, loaded_weight)
            loaded_params.add(name)
        return loaded_params

处理非融合参数的权重加载：
- 跳过GPTQ冗余bias；
- 重映射FP8 KV尺度参数名；
- 加载参数并记录已加载的参数名；
- 返回已加载的参数集合。

六、Qwen2ForCausalLM：因果语言模型封装

class Qwen2ForCausalLM(nn.Module, SupportsLoRA, SupportsPP):
    packed_modules_mapping = {
        "qkv_proj": [
            "q_proj",
            "k_proj",
            "v_proj",
        ],
        "gate_up_proj": [
            "gate_proj",
            "up_proj",
        ],
    }

类定义：继承nn.Module，同时实现SupportsLoRA（支持LoRA微调）、SupportsPP（支持流水线并行）；
packed_modules_mapping：定义融合模块的映射（适配LoRA权重加载）。

    def __init__(self, *, vllm_config: VllmConfig, prefix: str = ""):
        super().__init__()
        config = vllm_config.model_config.hf_config
        quant_config = vllm_config.quant_config
        lora_config = vllm_config.lora_config

        self.config = config
        self.lora_config = lora_config

        self.quant_config = quant_config
        self.model = Qwen2Model(vllm_config=vllm_config,
                                prefix=maybe_prefix(prefix, "model"))

初始化：创建Qwen2Model实例，传递配置参数。

        if get_pp_group().is_last_rank:
            if config.tie_word_embeddings:
                self.lm_head = self.model.embed_tokens
            else:
                self.lm_head = ParallelLMHead(config.vocab_size,
                                              config.hidden_size,
                                              quant_config=quant_config,
                                              prefix=maybe_prefix(
                                                  prefix, "lm_head"))
        else:
            self.lm_head = PPMissingLayer()

LM头（生成logits）：
- 仅PP最后一个rank需要LM头；
- 如果词嵌入和LM头绑定：复用词嵌入层（节省显存）；
- 否则：创建ParallelLMHead（并行的输出层，切分词汇表到多个GPU）。

        self.logits_processor = LogitsProcessor(config.vocab_size)

        self.make_empty_intermediate_tensors = (
            self.model.make_empty_intermediate_tensors)

LogitsProcessor：vLLM的logits处理层（支持采样、束搜索等）；
复用模型的中间张量工厂。

输入嵌入获取

    def get_input_embeddings(self, input_ids: torch.Tensor) -> torch.Tensor:
        return self.model.get_input_embeddings(input_ids)

复用Qwen2Model的词嵌入方法。

前向传播

    def forward(
        self,
        input_ids: torch.Tensor,
        positions: torch.Tensor,
        intermediate_tensors: Optional[IntermediateTensors] = None,
        inputs_embeds: Optional[torch.Tensor] = None,
    ) -> Union[torch.Tensor, IntermediateTensors]:
        hidden_states = self.model(input_ids, positions, intermediate_tensors,
                                   inputs_embeds)
        return hidden_states

调用Qwen2Model的forward方法，返回hidden_states（适配PP的中间张量或最终hidden_states）。

计算Logits

    def compute_logits(
        self,
        hidden_states: torch.Tensor,
        sampling_metadata: SamplingMetadata,
    ) -> Optional[torch.Tensor]:
        logits = self.logits_processor(self.lm_head, hidden_states,
                                       sampling_metadata)
        return logits

把最终的hidden_states经过LM头映射到词汇表维度（logits），再经过LogitsProcessor处理（比如采样、温度缩放），返回logits（形状[batch, seq_len, vocab_size]）。

权重加载

    def load_weights(self, weights: Iterable[tuple[str,
                                                   torch.Tensor]]) -> set[str]:
        loader = AutoWeightsLoader(
            self,
            skip_prefixes=(["lm_head."]
                           if self.config.tie_word_embeddings else None),
        )
        return loader.load_weights(weights)