SmoothQuant a aktivační kvantizace
SmoothQuant je technika, která umožňuje komprimovat velké jazykové modely až na 8bitová celá čísla pro váhy i aktivace bez přeškolování.
Přehled
It matters because activations in big models contain extreme outliers that normally wreck low-precision math, and SmoothQuant tames them.
Hluboký ponor
Když zmenšíte model z 16bitových plovoucích na 8bitová celá čísla, váhy se snadno komprimují, ale aktivace jsou potíže: některé kanály nesou hodnoty 10 až 100krát větší než ostatní a jejich vynucení do hrubé celočíselné mřížky ničí přesnost. SmoothQuant, představený Xiao et al. v roce 2022 poznamenává, že váhy jsou hladké a snadno se kvantifikují, zatímco aktivace jsou špičaté. Takže matematicky migruje obtížnost: rozdělí aktivační kanály měřítkem pro každý kanál a vynásobí odpovídající váhy stejným měřítkem. Dvě operace se zruší a výstup modelu zůstane nezměněn, ale nyní oba tenzory sedí v přátelských rozsazích. Výsledkem je závěr W8A8 (8bitové váhy a aktivace) s téměř nulovou ztrátou přesnosti a zhruba dvojnásobným zrychlením a úsporou paměti.
Technický přehled
Základním trikem je faktor vyhlazování na kanál s vypočítaný jako s = max(|X|)^alfa / max(|W|)^(1-alfa). Aktivace jsou škálovány po 1/sa váhy po s, takže maticový součin XW je zachován. Vzhledem k tomu, že škálování je absorbováno offline do vah předchozí vrstvy nebo sloučené operace, přidává nulové provozní náklady. Alfa hyperparametr (často 0,5) řídí, jak moc se odlehlá zátěž přesune z aktivací na váhy.
Strategický dopad
Cena a rozpočet
Rozhodnutí o architektuře zvyšují výkon a provozní náklady po mnoho let.
Jasnější rozhodnutí
Technické vzdělání pomáhá týmům vybrat ten správný stack, nejen ten nejnovější.
Kontrola kvality
Lepší konstrukční volby snižují výskyt problémů se spolehlivostí ve výrobě.
Budoucnost SmoothQuant a aktivační kvantizace
SmoothQuant zjistil, že aktivační odlehlé hodnoty jsou spíše migrovatelné než nevyhnutelné, a tato myšlenka nyní podporuje produkční poskytování INT8 a FP8. Očekávejte, že vyhlazování bude kombinováno s jemnějšími schématy, jako je kvantování po skupinách, naučené škálování a 4bitový aktivační výzkum (např. metody s vědomím odlehlých hodnot). Jak hardware FP8 (Hopper, Blackwell) dospívá, vyrovnávání ve stylu vyhlazování se bude nadále zapracovávat do potrubí kompilátoru a inferenčního motoru, takže kvantizace zůstává téměř bezplatná.
Real-World Implementace
Poskytování LLM s parametrem 70B na W8A8 na menším počtu GPU snížením nákladů na paměť i matici na polovinu
Povolení inference INT8 na tenzorových jádrech NVIDIA Hopper/Blackwell, která nativně zrychlují 8bitovou celočíselnou matematiku
Nasazení modelů chatu na koncových bodech cloudu s omezenými náklady, kde zdvojnásobení propustnosti přímo snižuje účet za token
Kompresní transformátorové kodéry pro řeč nebo překlad na zařízení, kde 8bitová jádra běží rychleji a chladněji
Rizika a zábradlí
Optimalizace jednoho benchmarku může skrýt širší systémové slabiny.
Náklady na infrastrukturu a údržbu jsou často podceňovány.
Mezery v zabezpečení a pozorovatelnosti se mohou zvětšovat, jak se systémy stávají složitějšími.
Plán implementace
Před implementací definujte cíle latence, kvality a nákladů.
Benchmark za realistických podmínek zatížení a dat.
Monitorování chyb, posunu a dopadu na uživatele.
Před škálováním připravte cesty vrácení zpět a reakce na incidenty.
Pokračujte v objevování
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 SmoothQuant and Activation 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
Další průvodce
Aktivační řízení a reprezentační inženýrství
Často kladené otázky
What is SmoothQuant and Activation Quantization?
SmoothQuant je technika, která umožňuje komprimovat velké jazykové modely až na 8bitová celá čísla pro váhy i aktivace bez přeškolování. Záleží na tom, protože aktivace ve velkých modelech obsahují extrémní odlehlé hodnoty, které normálně ničí málo přesnou matematiku, a SmoothQuant je zkrotí.
Jaký problém konkrétně řeší SmoothQuant v oblasti s nízkou přesností?
SmoothQuant se zaměřuje na velké odlehlé hodnoty, které se objevují v určitých aktivačních kanálech, které jinak ničí přesnost, když jsou aktivace kvantizovány na 8 bitů.
Jak SmoothQuant usnadňuje kvantování aktivací?
Rozděluje aktivační kanály měřítkem pro každý kanál a násobí odpovídající váhy tímto měřítkem, takže součin se nezmění, ale oba tenzory se snáze kvantifikují.
Co znamená označení W8A8?
W8A8 označuje 8bitovou kvantizaci pro váhy (W) i aktivace (A), režim SmoothQuant umožňuje s minimální ztrátou přesnosti.
Proč škálování SmoothQuant nepřináší v podstatě žádné provozní náklady?
Vyhlazovací stupnice jsou předem složeny do závaží předchozí vrstvy nebo fúzované operace, takže při odvození nedochází k žádným dalším výpočtům.
Jakou roli hraje ve SmoothQuant hyperparametr alfa?
Alfa (běžně 0,5) vyrovnává faktor vyhlazování a rozhoduje, jak velká část obtížnosti kvantizace se přesune z aktivací na závaží.