VolgendeVolgende gids
Activeringssturing en representatie-engineering
Technisch
Technische GIDS
SmoothQuant is een techniek die het mogelijk maakt om grote taalmodellen te comprimeren tot 8-bit gehele getallen voor zowel gewichten als activeringen zonder opnieuw te hoeven trainen.
Luister naar deze gidsAI-verteld · ~2 min
Het is belangrijk omdat activeringen in grote modellen extreme uitschieters bevatten die normaal gesproken wiskunde met lage precisie tenietdoen, en SmoothQuant temt deze.
Wanneer je een model verkleint van 16-bits floats naar 8-bits gehele getallen, worden gewichten gemakkelijk gecomprimeerd, maar activeringen zijn problemen: bepaalde kanalen bevatten waarden die 10 tot 100 keer groter zijn dan de rest, en als je ze in een grof integer-raster dwingt, wordt de nauwkeurigheid vernietigd. SmoothQuant, geïntroduceerd door Xiao et al. in 2022 merkt op dat gewichten soepel en gemakkelijk te kwantificeren zijn, terwijl activeringen piekerig zijn. Dus migreert het de moeilijkheid wiskundig: het verdeelt activeringskanalen op een schaal per kanaal en vermenigvuldigt de overeenkomstige gewichten met dezelfde schaal. De twee bewerkingen worden geannuleerd, waardoor de modeluitvoer ongewijzigd blijft, maar nu bevinden beide tensoren zich binnen vriendelijke bereiken. Het resultaat is W8A8 (8-bits gewichten en activeringen) gevolgtrekking met vrijwel nul nauwkeurigheidsverlies en ongeveer 2x versnelling en geheugenbesparing.
Een LLM met 70B-parameters leveren op W8A8 op minder GPU's door zowel de geheugen- als de matrixvermenigvuldigingskosten te halveren
INT8-inferentie inschakelen op NVIDIA Hopper/Blackwell-tensorkernen die native 8-bits gehele wiskunde versnellen
Implementatie van chatmodellen op cloud-endpoints met beperkte kosten, waarbij een verdubbeling van de doorvoer direct de rekening per token verlaagt
Comprimerende transformator-encoders voor spraak of vertaling op het apparaat, waarbij 8-bits kernels sneller en koeler werken
SmoothQuant stelde vast dat activeringsuitschieters migreerbaar zijn in plaats van onvermijdelijk, en dat idee ligt nu ten grondslag aan de productie van INT8 en FP8. Verwacht dat afvlakking wordt gecombineerd met fijnmaziger schema's zoals kwantisering per groep, aangeleerde schaling en 4-bits activeringsonderzoek (bijvoorbeeld methoden die zich bewust zijn van uitschieters). Naarmate FP8-hardware (Hopper, Blackwell) volwassener wordt, zal balancering in de stijl van afvlakking ingebed blijven in de pijpleidingen van compiler en inferentie-engine, zodat kwantisering vrijwel gratis blijft.
Gratis nieuwsbrief
Drie verifieerde AI-verhalen elke weekdagmorgen, geschreven in eenvoudig Engels. Gratis voor altijd, geen advertenties.
Eén e-mail elke weekdag. Afmelden met één klik. We verkopen of delen je adres nooit.
Test jezelf
Directe feedback op elke antwoord, en een deelbare certificaat met een verifieerbare ID zodra je een cursus hebt afgerond.
Ondersteun gratis AI-onderwijs. AI Understanding is een 501(c)(3) non-profit — geen advertenties, geen betaalmuur, nooit. Doe een donatie
SmoothQuant is een techniek die het mogelijk maakt om grote taalmodellen te comprimeren tot 8-bit gehele getallen voor zowel gewichten als activeringen zonder opnieuw te hoeven trainen. Het is belangrijk omdat activeringen in grote modellen extreme uitschieters bevatten die normaal gesproken wiskunde met lage precisie tenietdoen, en SmoothQuant temt deze.
SmoothQuant richt zich op de grote uitbijterwaarden die in bepaalde activeringskanalen voorkomen en die anders de nauwkeurigheid vernietigen wanneer activeringen worden gekwantiseerd tot 8 bits.
Het verdeelt activeringskanalen op een schaal per kanaal en vermenigvuldigt de overeenkomende gewichten met die schaal, zodat het product onveranderd blijft, maar beide tensoren gemakkelijker te kwantiseren worden.
W8A8 staat voor 8-bit kwantisering voor zowel gewichten (W) als activeringen (A), het regime dat SmoothQuant mogelijk maakt met minimaal nauwkeurigheidsverlies.
De afvlakkingsschalen worden vooraf in de gewichten van de voorgaande laag gevouwen of samengevoegd, zodat er geen extra berekeningen plaatsvinden bij gevolgtrekking.
Alfa (gewoonlijk 0,5) balanceert de afvlakkingsfactor en bepaalt hoeveel van de kwantiseringsmoeilijkheden van de activeringen naar de gewichten worden verplaatst.
Blijf leren
Er zijn meer handleidingen voor dit onderwerp geselecteerd
VolgendeVolgende gids
Activeringssturing en representatie-engineering
Technisch