概述
量化通过以较低精度存储数字来缩小人工智能模型，因此需要数据中心 GPU 的模型有时可以在笔记本电脑或手机上运行。这是使大型语言模型足够便宜且足够快以进行广泛部署的主要技巧。
量化是语言人工智能堆栈的一部分，用于大规模读取、生成、分类和转换文本和语音。
深入探讨
神经网络主要是一大堆称为权重的数字，通常存储为 16 位或 32 位浮点值。量化使用更少的位（通常是 8 位 (INT8) 甚至 4 位整数）来重新存储这些权重。从 16 位到 4 位可将内存减少大约四倍，因此 700 亿个参数的模型在 16 位时需要约 140GB，在 4 位时可容纳约 35GB。较小的数字在内存中的移动速度也更快，这通常会加快生成速度。问题在于准确性：将大范围的值压缩到几个级别会引入舍入误差。好的方法可以通过仔细选择比例因子并保护最敏感的权重来最大限度地减少损失，因此模型在使用一小部分资源时表现几乎相同。
技术洞察
每组权重都有一个比例因子，将实际值映射到一小组整数上；乘以比例即可近似重建原始数字。 GPTQ 和 AWQ 等训练后量化方法会分析小型校准数据集，以确定哪些权重最重要，并设置比例以最小化输出误差，而不是盲目舍入所有内容。激活通常保持较高的精度，因为它们在运行时变化更大。结果是一个存储 4 位整数但计算结果非常接近全精度版本的模型。
掌握量化
量化通过以较低精度存储数字来缩小人工智能模型，因此需要数据中心 GPU 的模型有时可以在笔记本电脑或手机上运行。这是使大型语言模型足够便宜且足够快以进行广泛部署的主要技巧。量化是语言人工智能堆栈的一部分，用于大规模读取、生成、分类和转换文本和语音。为了建立深入的理解，请将量化视为一种操作模型，而不是单一功能：定义期望的结果，澄清假设，并将系统可以可靠地完成的任务与仍需要专家判断的任务分开。
在实践中，强大的团队使用量化设计提示、检索和审查循环作为一个集成的通信系统。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
语言工作流程可以在不牺牲一致性的情况下更快地移动。与此同时，幻觉事实可以悄悄地进入报告、支持流程或研究成果。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
语言工作流程可以在不牺牲一致性的情况下更快地移动。
语言工作流程可以在不牺牲一致性的情况下更快地移动。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
它扩展了跨语言和沟通方式的访问。
它扩展了跨语言和沟通方式的访问。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
团队可以花更多时间进行判断，而自动化则可以处理重复。
团队可以花更多时间进行判断，而自动化则可以处理重复。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
使用 4 位 GGUF 或 GPTQ 文件在消费者 GPU 上本地运行 Llama 等聊天模型，而不需要多个数据中心卡。
手机上的设备助手，其中 8 位或 4 位型号允许在没有网络连接的情况下运行语音和文本功能。
通过提供 INT8 模型，在每个 GPU 上适应更多请求，降低客户支持机器人的云推理成本。
智能相机或物联网传感器等边缘设备在严格的内存限制内运行紧凑的量化视觉语言模型。
实施模式
量化实践
使用 4 位 GGUF 或 GPTQ 文件在消费者 GPU 上本地运行 Llama 等聊天模型，而不需要多个数据中心卡。
使用 4 位 GGUF 或 GPTQ 文件在消费级 GPU 上本地运行 Llama 等聊天模型，而不需要多个数据中心卡 当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
量化实践
手机上的设备助手，其中 8 位或 4 位型号允许在没有网络连接的情况下运行语音和文本功能。
手机上的设备助手，其中 8 位或 4 位模型允许在没有网络连接的情况下运行语音和文本功能。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
量化实践
通过提供 INT8 模型，在每个 GPU 上适应更多请求，降低客户支持机器人的云推理成本。
通过提供 INT8 模型、在每个 GPU 上适应更多请求来降低客户支持机器人的云推理成本。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
量化实践
智能相机或物联网传感器等边缘设备在严格的内存限制内运行紧凑的量化视觉语言模型。
智能相机或物联网传感器等边缘设备在严格的内存限制内运行紧凑的量化视觉语言模型当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
风险与防护栏
幻觉的事实可以悄悄地进入报告、支持流程或研究成果。
及时的敏感性可能会在类似的请求中产生不一致的结果。
如果访问控制薄弱，敏感文本数据可能会暴露。
实施路线图
在推出之前定义输出格式、语气和质量标准。
在推出之前定义输出格式、语气和质量标准。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
当准确性很重要时，请使用可信来源进行地面响应。
当准确性很重要时，请使用可信来源进行地面响应。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
为高风险输出保留人工审查检查点。
为高风险输出保留人工审查检查点。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
跟踪故障模式并定期重新训练提示或工作流程。
跟踪故障模式并定期重新训练提示或工作流程。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。