1 篇博文 含有标签「quantization」

---

1. 显存危机：为什么模型这么大？​

首先，我们要会算账。 一个模型占多少显存，取决于参数量和精度。

• FP16 (半精度浮点数)：这是训练时的标准精度。每个参数占 2 Bytes。
  • 7B 模型 $\approx$ 14GB 显存。
  • 70B 模型 $\approx$ 140GB 显存 (你需要 2 张 A100)。

对于普通开发者来说，这太贵了。我们需要把大象（模型）压缩一下。

---

2. 量化 (Quantization)：有损压缩的艺术​

量化的核心思想是：降低精度。 虽然参数是小数（比如 0.123456789），但我们真的需要保留那么多位小数吗？ 如果变成 0.12，模型会不会变傻？

2.1 常见量化格式​

1. FP16 (16-bit): 原始大小。
2. INT8 (8-bit): 体积减半。效果几乎无损。
3. INT4 (4-bit): 目前的主流。体积变成 1/4！
   • 7B 模型 @ INT4 $\approx$ 4GB 显存 (随便这台笔记本都能跑)。
   • 70B 模型 @ INT4 $\approx$ 35GB 显存 (2 张 3090/4090 就能跑)。

2.2 会变笨吗？​

答案是：几乎不会（只要不用太极端的 INT2）。 现在的 GPTQ / AWQ 算法非常聪明，它们知道哪些参数重要（保留高精度），哪些不重要（狠狠压缩）。

🛠️ 工具推荐：

• GGUF 格式：如果你想在 Mac 或 CPU 上跑模型，认准这个后缀。
• llama.cpp：神奇的库，让普通电脑也能跑大模型。

---

3. 推理加速：vLLM 与 PagedAttention​

解决了装得下的问题，下一步是跑得快。 如果你直接用 PyTorch model.generate()，你会发现随着对话变长，速度越来越慢。

这里有两个关键瓶颈：

3.1 KV Cache (以空间换时间)​

Transformer 生成每一个字时，都要回头看之前所有的字。 为了不重复计算，我们会把之前算过的“记忆”（Key 和 Value 矩阵）存下来，这就叫 KV Cache。

但这东西非常吃显存。而且随着对话变长，显存占用直线上升。

3.2 vLLM 的魔法 (PagedAttention & Continuous Batching)​

加州大学伯克利分校团队发明了 vLLM，它的核心有两把刷子：

1. PagedAttention：引入了操作系统里的 显存分页 (Paging) 概念。显存利用率接近 100%（不再有碎片浪费）。
2. Continuous Batching (连续批处理)：
   • 传统做法：你要等这一批次里写得最慢的那个人写完，才能一起交卷（Static Batching）。
   • vLLM 做法：谁写完了谁就先走，新的人立马补进来。流水线作业。

这让 vLLM 的并发吞吐量比 HuggingFace Transformers 快了 24 倍！

💡 生产环境建议： 别手写 Python 脚本跑推理。 请直接部署 vLLM 或 Ollama (本地开发) 作为 API Server。

---

4. 极致加速：企业级黑科技​

如果你对速度有极致要求（比如毫秒级延迟），还有更硬核的技术：

4.1 TensorRT-LLM (NVIDIA 亲儿子)​

这是 NVIDIA 官方推出的推理引擎。 它会针对你的具体显卡型号（比如 A100 vs H100）做内核级优化（Kernel fusion）。 虽然配置起来比 vLLM 麻烦，但在 NVIDIA 显卡上，它就是速度的天花板。

4.2 Speculative Decoding (投机采样)​

这是一个非常聪明的“作弊”方法：居然能一边猜一边写。

• 原理：让一个小模型（比如 1B）先快速猜出后面 5 个词。
• 验证：让大模型（70B）一次性检查这 5 个词对不对。
  • 如果全对，那就赚了（一次生成了 5 个词，但大模型只跑了一次）。
  • 如果不对，就修正。
• 效果：在不损失精度的情况下，推理速度提升 2-3 倍。

4.3 Flash Attention​

这是底层技术。它优化了 GPU 读写显存的方式（IO Awareness）。 简单说：减少数据在芯片搬运的次数，算得更快。 现在的主流框架（vLLM, PyTorch 2.0）都已经默认内置了它。

---

5. 部署工具推荐​

根据你的场景，选择不同的工具：

场景	推荐工具	特点
Mac / 笔记本本地	Ollama	傻瓜式安装，一行命令 ollama run llama3。底层是 llama.cpp。
服务器生产部署	vLLM	速度最快，吞吐量最高，支持并发。工业界标准。
边缘设备 (树莓派/手机)	MLC LLM	极致优化，甚至能在 iPhone 上跑 LLM。

---

5. 总结​

1. 量化 (INT4) 是让大模型进入寻常百姓家的关键。以后看到模型，先除以 4 算算显存够不够。
2. GGUF / llama.cpp 是端侧推理的神器。
3. vLLM 是服务器端推理的霸主，核心技术是 PagedAttention。

至此，我们的实现层 (Level 2) 攻略完成： 我们学会了如何训练它（2.1），也学会了如何高效运行它（2.2）。

接下来，我们要进入最激动人心，也是变化最快的 【第三层：能力层】。 既然模型跑起来了，它现在到底进化出什么新能力了？什么是 Reasoning Model（推理模型）？为什么 GPT-4o 会说话？

---

下一章: Reasoning Models 推理模型