Квантуване
Квантуването свива AI модел, като съхранява числата му с по-ниска прецизност, така че модел, който се нуждаеше от GPU за център за данни, понякога може да работи на лаптоп или телефон.
Преглед
It is the main trick that makes large language models cheap and fast enough to deploy widely.
Дълбоко гмуркане
Невронната мрежа е най-вече огромна купчина числа, наречени тегла, обикновено съхранявани като 16- или 32-битови стойности с плаваща запетая. Квантуването съхранява отново тези тегла, като използва по-малко битове, обикновено 8-битови (INT8) или дори 4-битови цели числа. Преминаването от 16-битов към 4-битов намалява паметта приблизително четири пъти, така че модел със 70 милиарда параметри, който се нуждае от около 140 GB при 16 бита, може да се побере в приблизително 35 GB при 4 бита. По-малките числа също се движат през паметта по-бързо, което обикновено ускорява генерирането. Уловката е в точността: притискането на широк диапазон от стойности в няколко нива води до грешка при закръгляване. Добрите методи минимизират тази загуба чрез внимателно избиране на коефициенти на мащабиране и защита на най-чувствителните тегла, така че моделът да се държи почти идентично, докато използва малка част от ресурсите.
Техническа информация
Всяка група тегла получава коефициент на мащабиране, който картографира реалните стойности върху малък набор от цели числа; умножаването обратно по скалата приблизително възстановява оригиналното число. Методите за квантуване след обучение като GPTQ и AWQ анализират малък набор от данни за калибриране, за да решат кои тегла са най-важни и да зададат мащаби, за да минимизират грешката на изхода, вместо да закръглят всичко сляпо. Активациите често се поддържат с по-висока точност, защото варират повече по време на изпълнение. Резултатът е модел, който съхранява 4-битови цели числа, но изчислява резултатите изключително близки до версията с пълна точност.
Стратегическо въздействие
Speed and scale
Езиковите работни процеси могат да се движат по-бързо, без да се жертва последователността.
Access and reach
Той разширява достъпа между езици и стилове на комуникация.
Clearer decisions
Екипите могат да отделят повече време за преценка, докато автоматизацията се справя с повторението.
Бъдещето на квантуването
Очаквайте квантуването да стане по-скоро стандартно, отколкото оптимизация. Доставчиците на хардуер добавят естествена 4-битова и дори по-ниско-битова поддръжка и техники като толерантност за ниска прецизност, съобразена с квантуването, в модела от самото начало, намалявайки допълнително загубата на точност. Изследванията на 2-битови и 1-битови (двоични) представяния са активни, целящи да стартират способни модели на телефони и вградени чипове. С нарастването на AI на устройството и частния AI, ефективните квантувани модели ще бъдат централни за локалното управление на асистенти, без да се изпращат данни в облака.
Внедряване в реалния свят
Изпълнение на чат модел като Llama локално на потребителски GPU, използвайки 4-битови GGUF или GPTQ файлове, вместо да се нуждаете от множество карти за център за данни.
Асистенти на устройството на телефони, където 8-битовите или 4-битовите модели позволяват функциите за говор и текст да работят без мрежова връзка.
Намаляване на разходите за изводи в облак за бот за поддръжка на клиенти чрез обслужване на INT8 модел, монтиране на повече заявки на всеки GPU.
Edge устройства като интелигентни камери или IoT сензори, работещи с компактни квантувани визуално-езични модели в рамките на тесни ограничения на паметта.
Рискове и предпазни огради
Халюцинираните факти могат тихо да влязат в отчети, потоци за поддръжка или резултати от изследвания.
Бързата чувствителност може да създаде противоречиви резултати при подобни заявки.
Чувствителните текстови данни могат да бъдат разкрити, ако контролите за достъп са слаби.
Пътна карта за изпълнение
Определете изходен формат, тон и стандарти за качество преди внедряване.
Наземни отговори с доверени източници винаги, когато точността има значение.
Поддържайте контролна точка за човешки преглед за изходи с високи залози.
Проследявайте моделите на неуспехи и редовно обучавайте подкани или работни потоци.
Продължете да изследвате
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Quantization quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Next guide
Остатъчно векторно квантуване
Frequently asked questions
What is Quantization?
Квантуването свива AI модел, като съхранява числата му с по-ниска прецизност, така че модел, който се нуждаеше от GPU за център за данни, понякога може да работи на лаптоп или телефон. Това е основният трик, който прави големите езикови модели евтини и достатъчно бързи за широко разгръщане.
Какво основно променя квантуването в невронната мрежа?
Квантуването съхранява отново теглата на модела с по-ниска числена точност, като например 8-битови или 4-битови цели числа вместо 16- или 32-битови плаващи числа.
Приблизително колко памет се спестява чрез преместване на тегла от 16-битови на 4-битови?
4 бита е една четвърт от 16 бита, така че съхранението на тегло пада до приблизително една четвърт, около 4 пъти намаление.
Какъв е основният недостатък на агресивното квантуване?
Представянето на стойности с по-малко нива води до грешка при закръгляване, която може да влоши качеството на изхода, ако не се управлява внимателно.
За какво методи като GPTQ и AWQ използват малък набор от данни за калибриране?
Тези методи след обучение анализират няколко примерни входа, за да зададат коефициенти на мащабиране и да защитят чувствителните тегла, като поддържат резултатите близки до оригинала.
Защо квантуването често прави модела по-бърз, а не просто по-малък?
Стойностите с по-ниска точност отнемат по-малко честотна лента на паметта за зареждане и преместване, което често е тясното място по време на генерирането, така че изводът се ускорява.