Cuantizarea
Cuantizarea micșorează un model AI prin stocarea numerelor sale cu o precizie mai mică, astfel încât un model care avea nevoie de un GPU pentru centru de date poate rula uneori pe un laptop sau pe telefon.
Prezentare generală
It is the main trick that makes large language models cheap and fast enough to deploy widely.
Scufundare în profunzime
O rețea neuronală este în mare parte o grămadă uriașă de numere numite ponderi, stocate în mod normal ca valori în virgulă mobilă de 16 sau 32 de biți. Cuantizarea re-stochează acele greutăți folosind mai puțini biți, de obicei numere întregi de 8 biți (INT8) sau chiar de 4 biți. Trecerea de la 16 biți la 4 biți reduce memoria de aproximativ patru ori, așa că un model cu 70 de miliarde de parametri care are nevoie de aproximativ 140 GB pe 16 biți poate încadra în aproximativ 35 GB pe 4 biți. De asemenea, numerele mai mici se deplasează prin memorie mai repede, ceea ce de obicei accelerează generarea. Captura este acuratețea: stoarcerea unei game largi de valori în câteva niveluri introduce o eroare de rotunjire. Metodele bune reduc acea pierdere prin alegerea atentă a factorilor de scalare și prin protejarea celor mai sensibile greutăți, astfel încât modelul se comportă aproape identic în timp ce utilizează o fracțiune din resurse.
Perspectivă tehnică
Fiecare grup de greutăți primește un factor de scară care mapează valorile reale pe un set mic de numere întregi; înmulțirea înapoi cu scară reconstruiește aproximativ numărul inițial. Metodele de cuantificare post-antrenament, cum ar fi GPTQ și AWQ, analizează un set mic de date de calibrare pentru a decide care ponderi contează cel mai mult și pentru a seta scale pentru a minimiza eroarea de ieșire, în loc să rotunjească totul orbește. Activările sunt adesea păstrate la o precizie mai mare, deoarece variază mai mult în timpul rulării. Rezultatul este un model care stochează numere întregi pe 4 biți, dar calculează rezultate extrem de apropiate de versiunea cu precizie completă.
Impact strategic
Viteză și scară
Fluxurile de lucru lingvistice se pot deplasa mai rapid fără a sacrifica consistența.
Acces și acoperire
Extinde accesul în diferite limbi și stiluri de comunicare.
Decizii mai clare
Echipele pot petrece mai mult timp jucând în timp ce automatizarea se ocupă de repetiție.
Viitorul cuantizării
Așteptați-vă ca cuantizarea să devină implicită, mai degrabă decât o optimizare. Furnizorii de hardware adaugă suport nativ pe 4 biți și chiar pe biți mai mici și tehnici precum toleranța de pregătire a cuantizării pentru o precizie scăzută în model încă de la început, reducând și mai mult pierderea de precizie. Cercetarea reprezentărilor pe 2 biți și pe 1 biți (binare) este activă, având ca scop rularea modelelor capabile pe telefoane și cipuri încorporate. Pe măsură ce AI pe dispozitiv și privat se dezvoltă, modelele cuantificate eficiente vor fi esențiale pentru rularea asistenților la nivel local, fără a trimite date în cloud.
Implementare în lumea reală
Rularea unui model de chat precum Llama local pe un GPU de consum, folosind fișiere GGUF sau GPTQ pe 4 biți, în loc să aibă nevoie de mai multe carduri pentru centre de date.
Asistenți de pe dispozitiv pe telefoane, unde modelele pe 8 sau 4 biți permit funcțiile de vorbire și text să ruleze fără o conexiune la rețea.
Reducerea costurilor de inferență în cloud pentru un bot de asistență pentru clienți prin deservirea unui model INT8, potrivirea mai multor solicitări pe fiecare GPU.
Dispozitivele Edge, cum ar fi camerele inteligente sau senzorii IoT, rulează modele compacte cu limbaj de viziune cuantificate în limite strânse de memorie.
Riscuri și balustrade
Faptele halucinate pot intra în liniște în rapoarte, fluxuri de sprijin sau rezultate ale cercetării.
Sensibilitatea promptă poate crea rezultate inconsecvente pentru solicitări similare.
Datele text sensibile pot fi expuse dacă controalele de acces sunt slabe.
Foaia de parcurs de implementare
Definiți formatul de ieșire, tonul și standardele de calitate înainte de lansare.
Răspunsurile la sol cu surse de încredere ori de câte ori acuratețea contează.
Păstrați un punct de control uman pentru rezultate cu mize mari.
Urmăriți tiparele de eșec și reantrenați în mod regulat solicitările sau fluxurile de lucru.
Continuați să explorați
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
Următorul ghid
Cuantificare vectorială reziduală
Întrebări frecvente
What is Quantization?
Cuantizarea micșorează un model AI prin stocarea numerelor sale cu o precizie mai mică, astfel încât un model care avea nevoie de un GPU pentru centru de date poate rula uneori pe un laptop sau pe telefon. Este principalul truc care face ca modelele mari de limbă să fie ieftine și suficient de rapide pentru a fi implementate pe scară largă.
Ce schimbă în primul rând cuantizarea la o rețea neuronală?
Cuantizarea re-stochează greutățile modelului la o precizie numerică mai mică, cum ar fi numere întregi de 8 biți sau 4 biți în loc de floats de 16 sau 32 de biți.
Aproximativ câtă memorie se economisește prin mutarea greutăților de la 16 biți la 4 biți?
4 biți este un sfert din 16 biți, așa că stocarea greutății scade la aproximativ un sfert, aproximativ o reducere de 4 ori.
Care este principalul dezavantaj al cuantizării agresive?
Reprezentarea valorilor cu mai puține niveluri introduce o eroare de rotunjire, care poate degrada calitatea ieșirii dacă nu este gestionată cu atenție.
Pentru ce metode precum GPTQ și AWQ folosesc un set mic de date de calibrare?
Aceste metode post-antrenament analizează câteva intrări eșantioane pentru a seta factorii de scalare și pentru a proteja greutățile sensibile, păstrând ieșirile aproape de cele inițiale.
De ce cuantizarea face adesea un model mai rapid, nu doar mai mic?
Valorile cu precizie mai scăzută necesită mai puțină lățime de bandă a memoriei pentru a se încărca și a muta, ceea ce reprezintă adesea blocajul în timpul generării, astfel încât inferența se accelerează.