Lượng tử hóa mô hình
Lượng tử hóa mô hình thu nhỏ mạng lưới thần kinh bằng cách lưu trữ số lượng của nó trong ít bit hơn, do đó, cùng một mô hình sẽ chạy nhanh hơn và trên phần cứng nhỏ hơn.
Tổng quan
Đó là lý do chính khiến các mẫu lớn có thể vừa với một GPU, laptop hoặc thậm chí điện thoại.
Lặn sâu
Các mô hình được đào tạo thường lưu trữ mỗi trọng số dưới dạng số dấu phẩy động 32 bit hoặc 16 bit. Lượng tử hóa thay thế những định dạng có độ chính xác thấp hơn như số nguyên 8 bit (INT8) hoặc giá trị 4 bit (INT4), cắt giảm bộ nhớ khoảng 4x đến 8x. Một mô hình 70 tỷ thông số cần khoảng 140GB ở phiên bản 16 bit có thể giảm xuống gần 35 GB ở phiên bản 4 bit, phù hợp với một GPU tiêu dùng. Điều hấp dẫn là độ chính xác: việc ép một loạt giá trị vào 256 hoặc 16 nhóm sẽ làm mất chi tiết. Các phương pháp hiện đại như GPTQ, AWQ và định dạng NF4 được sử dụng trong QLoRA chọn các hệ số chia tỷ lệ thông minh và bảo vệ các trọng số nhạy cảm nhất, do đó mức giảm chất lượng thường nhỏ. Lượng tử hóa là lý do tại sao các công cụ như llama.cpp và Ollama có thể chạy cục bộ các mô hình có khả năng mà không cần trung tâm dữ liệu.
Hiểu biết kỹ thuật
Lượng tử hóa ánh xạ các giá trị thực vào một lưới số nguyên nhỏ bằng cách sử dụng thang đo và điểm 0: archive_int = round(value/scale) + zero_point. Chọn đúng quy mô là toàn bộ trò chơi. Chia tỷ lệ theo kênh hoặc theo nhóm giữ các tỷ lệ riêng biệt cho các lát của ma trận trọng số, duy trì độ chính xác ở những nơi quan trọng. Lượng tử hóa sau đào tạo chỉ chuyển đổi một mô hình đã hoàn thành, trong khi đào tạo nhận biết lượng tử hóa mô phỏng làm tròn trong quá trình đào tạo để mạng học cách chấp nhận nó, thường mang lại độ chính xác bit thấp tốt hơn.
Tác động chiến lược
Chi phí và ngân sách
Các quyết định về kiến trúc sẽ thúc đẩy hiệu suất và chi phí vận hành trong nhiều năm.
Quyết định rõ ràng hơn
Giáo dục kỹ thuật giúp các nhóm chọn nhóm phù hợp chứ không chỉ nhóm mới nhất.
Kiểm soát chất lượng
Lựa chọn kỹ thuật tốt hơn làm giảm sự cố về độ tin cậy trong sản xuất.
Tương lai của lượng tử hóa mô hình
Mong đợi độ chính xác thấp hơn bao giờ hết sẽ trở thành bình thường. Nghiên cứu đang thúc đẩy các trọng số nhị phân 4 bit, 2 bit và thậm chí cả nhị phân đáng tin cậy, cùng với các sơ đồ có độ chính xác hỗn hợp giúp giữ các lớp nhạy cảm ở mức cao hơn. Phần cứng như sau: GPU và chip điện thoại hiện bao gồm các đơn vị toán học INT8, INT4 và FP8 nguyên gốc. Các định dạng như FP8 và MXFP4 nhằm mục đích kết hợp phạm vi số float với kích thước của số nguyên. Kết hợp với các kỹ thuật như QLoRA, lượng tử hóa sẽ tiếp tục làm cho các mô hình quy mô biên giới rẻ hơn khi chạy và tinh chỉnh trên các thiết bị hàng ngày.
Triển khai trong thế giới thực
Chạy mô hình Llama 7B hoặc 13B trên máy tính xách tay có llama.cpp hoặc Ollama bằng tệp GGUF 4-bit.
QLoRA tinh chỉnh mô hình lớn trên một GPU bằng cách giữ cố định trọng số cơ bản trong NF4 4 bit.
Triển khai các mô hình INT8 trên điện thoại với thời gian chạy trên thiết bị để trợ lý làm việc ngoại tuyến và riêng tư.
Phục vụ các điểm cuối API rẻ hơn trong đó lượng tử hóa INT8/FP8 tăng gấp đôi thông lượng và cắt giảm chi phí bộ nhớ.
Rủi ro & lan can
Tối ưu hóa một điểm chuẩn có thể che giấu những điểm yếu của hệ thống rộng hơn.
Chi phí cơ sở hạ tầng và bảo trì thường được đánh giá thấp.
Khoảng cách về bảo mật và khả năng quan sát có thể tăng lên khi hệ thống trở nên phức tạp hơn.
Lộ trình thực hiện
Xác định các mục tiêu về độ trễ, chất lượng và chi phí trước khi triển khai.
Điểm chuẩn trong điều kiện tải và dữ liệu thực tế.
Giám sát thiết bị về lỗi, độ lệch và tác động của người dùng.
Chuẩn bị đường dẫn khôi phục và ứng phó sự cố trước khi mở rộng quy mô.
Tiếp tục khám phá
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 Model 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
Hướng dẫn tiếp theo
Đăng ký mẫu
Câu hỏi thường gặp
Định lượng hóa mô hình là gì?
Lượng tử hóa mô hình thu nhỏ mạng lưới thần kinh bằng cách lưu trữ số lượng của nó trong ít bit hơn, do đó, cùng một mô hình sẽ chạy nhanh hơn và trên phần cứng nhỏ hơn. Đó là lý do chính khiến các model lớn có thể vừa với một GPU, máy tính xách tay hoặc thậm chí là điện thoại.
Lượng tử hóa mô hình chủ yếu thay đổi điều gì về mạng lưới thần kinh?
Lượng tử hóa lưu trữ các tham số tương tự trong ít bit hơn (ví dụ INT8 hoặc INT4 thay vì số float 16 hoặc 32 bit), giảm bộ nhớ và tăng tốc độ tính toán.
Khoảng bao nhiêu bộ nhớ có thể chuyển đổi một mô hình từ tiết kiệm 16 bit sang 4 bit?
Việc chuyển từ 16 bit trên mỗi trọng lượng xuống 4 bit sẽ cắt giảm dung lượng lưu trữ khoảng bốn lần, đó là lý do tại sao các mô hình lớn có thể vừa với một GPU duy nhất.
Nhược điểm chính của lượng tử hóa bit thấp tích cực là gì?
Việc ánh xạ một loạt các giá trị vào một số mức riêng biệt sẽ làm mất chi tiết, điều này có thể làm giảm chất lượng trừ khi chia tỷ lệ thông minh để bảo vệ các trọng số nhạy cảm.
Đào tạo nhận biết lượng tử hóa khác với lượng tử hóa sau đào tạo như thế nào?
Quá trình đào tạo nhận biết lượng tử hóa đưa lỗi làm tròn vào vòng đào tạo, do đó mạng sẽ thích ứng và thường giữ được độ chính xác cao hơn ở độ rộng bit thấp.
Kỹ thuật nào sử dụng lượng tử hóa 4 bit để tinh chỉnh các mô hình lớn với giá cả phải chăng trên một GPU?
QLoRA giữ cho mô hình cơ sở được cố định ở định dạng NF4 4 bit và huấn luyện các trọng số bộ điều hợp nhỏ, cho phép tinh chỉnh các mô hình lớn trên phần cứng khiêm tốn.