量化

Tiny-LLM 使用 W8A16（权重 8 位，激活值 16 位）量化实现高效推理。

概述

W8A16 量化将权重存储为 INT8，同时保持激活值为 FP16：

FP16 激活值 × INT8 权重 → FP16 输出
                ↓
        即时反量化

工作原理

分组量化

权重按组进行量化以获得更好的精度：

// 原始 FP16 权重: [w0, w1, ..., w127]
// 组大小: 128

// 量化表示:
// INT8 权重: [q0, q1, ..., q127]
// 缩放因子: s（每组一个）

// 反量化:
// w_i = q_i * s

量化过程

推理过程

// W8A16 线性层伪代码
Tensor w8a16_linear(Tensor input,              // FP16 [M, K]
                    Tensor weights_int8,        // INT8 [K, N]
                    Tensor scales) {            // FP16 [K/group, N]
    // 即时反量化权重
    Tensor weights_fp16 = dequantize(weights_int8, scales);

    // 计算矩阵乘法
    return matmul(input, weights_fp16);
}

优势

优势	描述
内存	权重内存减少约 50%
带宽	内存带宽减少约 50%
速度	推理速度提升高达 2 倍
精度	极小的质量下降

配置

组大小

更小的组 = 更好的精度，更多开销：

QuantizationConfig config;
config.group_size = 128;  // 常见选择

组大小	内存开销	精度
32	~3.125%	最佳
64	~1.5625%	良好
128	~0.78125%	标准

量化类型

enum class QuantizationType {
    INT8,    // 8 位整数
    INT4,    // 4 位整数（未来支持）
    FP8,     // 8 位浮点（未来支持）
};

精度影响

常见模型的典型困惑度变化：

模型	FP16 困惑度	INT8 困惑度	变化
LLaMA-7B	5.68	5.71	+0.5%
LLaMA-13B	5.21	5.24	+0.6%
LLaMA-30B	4.79	4.82	+0.6%

最佳实践

1. 对输出层使用逐通道缩放
2. 将嵌入层保持为 FP16
3. 在代表性数据上进行校准
4. 量化后监控困惑度

下一步

• 性能指南 - 优化技术
• API 参考 - 引擎 API