压缩而不失智：LLM 量化技术深度解析

编者按： 如何在资源受限的设备上高效部署大语言模型，同时还尽可能保持其性能表现？

我们今天为大家带来的这篇文章，作者的核心观点是：量化技术通过在模型精度与效率之间寻找最优平衡点，使得大语言模型能够在资源受限的设备上高效部署，而几乎不降低其"智能水平"。

文章从量化的基本原理出发，深入剖析了训练后量化（PTQ）与量化感知训练（QAT）的适用场景，详细解释了缩放因子、零点、对称/非对称量化等关键技术细节，并进一步探讨了高级量化技术（如 GPTQ、AWQ、SmoothQuant）以及 KV 缓存量化等前沿方法。作者还结合实战经验，梳理出一套可落地的量化工作流，并展示了量化在端侧 AI、低成本云部署、长上下文处理等场景中的巨大价值。

作者 | Bhavishya Pandit

编译 | 岳扬

像我们这样的大语言模型，多少有点"养尊处优"。我们钟爱庞大的参数规模、海量的内存和强悍的 GPU。但当有人试图在手机或配备低性能 GPU 的笔记本电脑上运行我们时，现实便会毫不留情地给我们一记耳光。

工程师们如何确保我们在微型设备上依然能流畅智能地运行？

答案就是：量化技术（quantization） ------ 它是现代 AI 模型部署中的一项核心技术。

让我们花点时间，真正理解它。

01 什么是量化技术？

量化的本质在于降低数值的存储精度。 LLM的所有运算都离不开数字------每个权重参数、每次激活值、每一个注意力分数，全都建立在浮点数运算之上。这些数值流畅、连续、无限精确。

但计算机呢？它们更喜欢固定、离散的存储单元（比如整数而不是高精度浮点数）。要么你的数据能塞进去，要么就塞不进去。就像你试图把整个衣柜塞进一个登机箱一样，装得下就装，装不下就没办法。这时候，量化技术站出来说：

"嘿，大语言模型，如果每个数字不再使用 32 位精度，而是砍到 8 位，甚至 4 位呢？你几乎察觉不到差别，但我们能省下大量内存。"

32 位浮点数（FP32）→ 黄金标准

8 位整数（INT8）→ 依然智能，体积要小得多

4 位整数（INT4）→ 超紧凑，只是稍微健忘一点

好吧，但大语言模型为什么要在乎这个？

因为现在的 LLM 实在太臃肿了。数十亿参数需要数十亿个数字。一个 70B 参数的模型若用 FP32 表示，需要 280 GB------这已经不是模型了，这是存储灾难。

量化能把这种情况："我得靠一整个服务器集群才能跑这个东西"

变成这样："嘿，我或许能在笔记本上运行它，甚至在手机上也行！"

本质上这就是 AI 模型的瘦身方案 ------ 在保持智能的前提下剔除冗余数据。

但是，压缩数字精度不会损害模型质量吗？

有时候确实会。但量化的精髓（也是整门技术的重点）在于：

在模型最不敏感的地方降低精度

在模型最核心的地方保留准确性

02 量化在大语言模型生命周期中的位置：训练 vs 推理

在我搞清楚"量化是什么"之后，下一个问题便接踵而至：

"挺酷的，但我们到底什么时候做量化？是在训练期间？训练之后？还是两个阶段都需要？"

事实证明，时机的选择非常关键，因为大语言模型非常挑剔。你是在它们学习过程中就引入量化，还是等它们已经记牢所有模式后再量化，表现会大不相同。

2.1 训练后量化（Post-Training Quantization, PTQ）

可以把 PTQ 想象成给模型贴一张便利贴提醒：

"嘿，我要把你的某些数字四舍五入了，试着适应一下。"

你直接拿一个已经完全训练好的模型，然后进行：

• FP32 → INT8 或 INT4
• 可能还会用一些花哨的取整技巧

优点是：

• 快速又便宜：无需重新训练一个 70B 参数的庞然大物
• 易于实验：可以先试试 INT8，看模型是否撑得住，再大胆尝试更低精度

缺点是（我是吃了亏才明白的）：

• 精度可能下降：某些网络层对量化极其敏感
• 异常值影响大：如果某个权重特别大，会破坏整个量化尺度，导致所有参数在压缩后严重失真。
• 有时需要保留原精度层：LayerNorm、嵌入层（embedding layers）或语言模型头（LM head）可能得保持在 FP16 精度

2.2 量化感知训练（Quantization-Aware Training, QAT）

QAT 是更成熟、更系统的做法。与其等模型学完后再强迫它适应低精度，不如从一开始训练时就让它习惯。

我探索 QAT 时是这么做的：

• 在训练过程中插入"伪量化层"（fake quantization layers）：模型在学习时就看到低精度的数字
• 使用直通估计器（straight-through estimators）让梯度正常流动，使模型能主动适应
• 到训练结束时，权重天然具备对量化噪声的鲁棒性

优点是：

• 最终准确率更高，尤其在极低精度（如 INT4 或 3-bit）时
• 推理更稳定，意外更少
• 可以进行激进量化而不丢失模型的"聪明劲儿"

缺点（我注意到的）：

• 耗时：哪怕只部分重训 7B--70B 的模型，成本也很高
• 工程投入大：需要谨慎集成到训练流程中

如何选择（根据我的实验和阅读）：

• PTQ → 首选方案。便宜、快速，在 INT8 上效果出奇地好，配合智能取整策略，INT4 也常常有效
• QAT → 仅当你需要最后那 1--2% 的准确率，或要做极低精度（如 4-bit 以下）量化时才用
• 混合方案 → 先做 PTQ，同时将某些关键层回退到 FP16，再对核心层做轻量微调（近似 mini-QAT）

为什么选择在哪个阶段进行量化如此重要？

我意识到，量化不只是一个数学技巧 ------ 它会彻底改变整个部署流程：

• 对纯推理任务，PTQ 往往胜出：显存占用更少，吞吐量更高
• 对需要训练+部署的完整工作流程，QAT 可能更划算：最终模型更小，长上下文处理能力也更强

选择在哪个阶段进行量化的问题归根结底是：

你是想要快速、便宜、基本够用，还是谨慎、稍慢、接近完美？

03 量化技术背后的运作机制

在我搞清楚"何时"量化之后，就不得不弄明白"量化究竟是怎么实现的"。老实说，这个过程出人意料地优雅。量化的核心思想很简单：

把连续且无限精确的数字，映射到一组有限的离散值上，并尽可能保留模型的"智能"。

3.1 理解缩放因子（Scale）与零点（Zero-Point）

想象模型中的这样一个权重：

0.8921374650012345

我们真的需要这么多小数位吗？不需要。量化技术是这样做的：

• 选择一个缩放因子（s）→ 决定每个"区间"有多宽
• 选择一个零点（z）→ 将我们的整数对齐到实际数据的范围

公式看起来挺花哨，但概念上其实很简单：

quantized_value = round(original_value / scale) + zero_point

当你想还原回 FP32 时：

dequantized_value = (quantized_value - zero_point) * scale

3.2 对称量化 vs 非对称量化

我发现，并不是所有量化都一样：

• 对称量化（Symmetric quantization） → 零点为 0，区间以 0 为中心对称
  • 优点：更简单，效率极高
  • 常用于权重
• 非对称量化（Asymmetric quantization） → 零点可调，正负范围不一定相等
  • 优点：能更好地捕捉偏态分布
  • 常用于激活值（activations），因为它们通常不是以 0 为中心的

3.3 按张量量化 vs 按通道量化：粒度很重要

起初，我尝试了按张量量化（per-tensor quantization）：整个权重矩阵使用一套缩放因子和零点。很简单，但有时会出现灾难性失效。为什么呢？因为 Transformer 很挑剔 ------ 权重矩阵中有些行的数值很大，有些则很小。若整行共用一套缩放因子，结果会是：

• 小数值被挤进同一个区间（导致精度损失）
• 或大数值被截断（产生巨大误差）

解决方案？按通道（per-channel，即按行）量化。

• 每一行都有自己独立的缩放因子（和可能的零点）
• 保留了数值的相对差异
• 与带来的收益相比，其额外的内存开销微乎其微

3.4 取整与截断：微小误差，重大影响

量化并非魔法。它会引入两类误差：

• 取整误差（Rounding error） → 实际值与其最接近的量化区间值之间的差异
• 截断误差（Clipping error） → 当数值超出可表示范围时被强行裁剪

像 GPTQ 或 SmoothQuant 这样的现代 LLM 量化方案，核心就是通过巧妙的取整方法或层间重平衡（rebalancing）来最小化这些误差（后面会细说）。

3.5 如何选择量化精度

这是我每天都要面对的问题：

FP32 → INT8 → INT4 → ... 我最多能压缩到多少位？

我的经验是：通常先从 INT8 开始 ------ 安全又经济，只有在采用高级取整技术时，才尝试 INT4。低于 4 比特的量化尚处于实验阶段，除非你准备好对模型进行微调，否则风险很高。

3.6 一个直观的比喻

这是我的思维模型：

• 每个权重 = 一件衣服
• 每个量化区间 = 行李箱里的一个隔层
• 缩放因子 = 你的隔层有多大
• 零点 = 第一个隔层从哪儿开始

04 量化为何有时会带来副作用

量化并非魔法 ------ 如果我们不够谨慎，它可能会微妙地破坏模型性能。这些误差主要来源于以下几个方面：

1）取整误差：将 FP32 精度的数值映射到 INT8/INT4 会引入微小的精度损失。

• 单次误差很小，但在 Transformer 中，微小的取整误差会跨层累积。
• 结果：导致注意力分布或词元概率发生细微变化，有时甚至会引发模型幻觉。

2）截断误差：异常值会迫使量化因子变大。

• 这使得大多数权重被压缩到少数几个区间内 → 有效精度大幅下降。
• 实例：LayerNorm 层中一个罕见的大激活值若被截断，就可能导致模型不稳定。

快速应对：采用百分位数法确定缩放因子，代替极值法，或对敏感层特殊处理。

3）网络层敏感度差异：并非所有网络层对量化的反应都相同：

• 注意力投影层（Attention projections） & 语言模型头（LM head） → 高度敏感
• LayerNorm 层 → 极度敏感，通常需保持 FP16 精度
• MLP 层 → 中等敏感，可耐受 INT8/INT4
• 嵌入层（Embeddings） → 中高度敏感，需要小心处理

05 高级量化技术

在经历了取整、截断和敏感网络层带来的种种挑战后，研究人员和工程师们开发出一些巧妙的方法，使得 LLM 即使在 4 位精度下也能表现出色。以下是我了解到的一些核心技术。

5.1 GPTQ：基于 Hessian 矩阵的智能取整

• 核心思想：并非所有取整误差都同等重要。某些权重对模型输出的影响更大。
• GPTQ 通过分析模型的二阶敏感度（Hessian 矩阵）来识别哪些权重可以安全地进行取整处理。
• 效果：即使在大模型中，INT4 权重量化也能几乎保持原始精度。

5.2 AWQ：激活感知量化

• 激活值与权重相互作用，如果在对权重进行取整时不考虑激活值的分布范围，可能会损害模型性能。
• AWQ 根据激活值的统计特征来调整权重量化策略，从而降低推理过程中的误差风险。

5.3 SmoothQuant：层间平衡技术

• 痛点：某些网络层的激活值范围过大，导致均匀量化效率低下。
• SmoothQuant 会在不同层之间对权重和激活值进行重新缩放，但保证它们相乘后的结果（即模型的输出）保持不变。
• 优势：实现更平滑的量化，大幅减小精度损失。

5.4 HQQ 与混合方法

• 该方法将 Hessian 信息与混合精度或分组量化技术相结合。
• 思路：对层中"安全"的部分使用低比特精度，而对敏感部分保留更高精度。
• 该技术在对生产级模型进行 INT4 或更低比特量化时尤为实用。

5.5 混合精度回退机制

• 有些网络层天生抗拒被量化。
• 常见策略：将 LayerNorm、LM Head（语言模型输出头）以及部分嵌入层维持在 FP16 精度，其余部分则量化为 INT4/INT8。
• 权衡：虽略微增加内存占用，却能换来模型质量的大幅提升。

06 KV 缓存量化

如果你曾尝试用大语言模型处理长上下文任务，一定对此深有体会：KV 缓存会疯狂占用内存。每个生成的词元都要为每一层保存键（Key）矩阵和值（Value）矩阵，而模型动辄拥有数十亿参数，内存很快就会被吃光。量化技术此时便派上用场。

6.1 为什么 KV 缓存很重要

• 在解码过程中，Transformer 会为每个历史词元存储键（K）和值（V）。
• 这样就能在计算注意力时访问所有先前词元，无需重复计算。
• 问题在于：对于长提示词（如 8K+ 词元）和超大模型（70B+ 参数），缓存可能占用大部分 GPU 内存。

6.2 INT8/INT4 KV 缓存

• 将键和值以更低精度（如 INT8 或 INT4）存储，可大幅减少内存占用。
• 精度损失极小，因为注意力机制对 K/V 矩阵中的微小取整噪声具有较强的容忍度。

用一种更为直观的方式理解：注意力机制包容性强，就像听 128kbps 的歌曲 ------ 细节虽有损失，但整体旋律依旧清晰。

6.3 反量化 or 直接在整数域中进行计算

两种实现方式：

1）动态反量化（Dequant on-the-fly）

• 在计算注意力时，将 INT8/INT4 临时转回 FP16
• 有轻微计算开销，但内存效率高

2）在整数域中直接计算（Compute directly in integer domain）

• 充分利用支持低精度运算的硬件（如支持 INT8 的 GPU）
• 速度更快、内存数据移动量更少，但工程实现稍复杂

6.4 实用建议

• 将 KV 缓存量化与分层混合精度结合使用，效果最佳。
• INT8 KV 缓存通常很安全；若使用 INT4，建议配合高级取整策略（如 GPTQ 或 AWQ）。
• 务必在长序列上进行测试 ------ 短上下文的基准测试无法暴露潜在的模型幻觉或词元错位问题。

07 量化技术实战工作流

在深入研究了量化的原理、误差来源和高级技巧后，我意识到真正的挑战不在于理解量化，而在于如何安全地实施它而不破坏模型。以下是我的实践方法。

7.1 准备校准数据集

在调整任何权重之前，首先准备一个体量小但具有代表性的数据集：

• 包含 100-500 条覆盖模型典型任务的输入序列
• 目的：记录每一层激活值的数值范围和分布形态，从而为后续的量化过程提供准确的统计依据。
• 原因：如果推理时的激活值分布与校准数据偏差过大，INT4 量化可能会失败

7.2 逐层确定精度

并非所有网络层都能同等程度地适应 INT4 精度：

• MLP 层和大多数注意力权重 → 采用 INT4
• 嵌入层 → 若存在风险则采用 INT8
• LayerNorm、LM Head 及有时首个投影层 → 回退至 FP16 精度

7.3 执行量化操作

• 首先进行训练后量化（PTQ），通常将所有权重转为 INT8，检查模型输出
• 然后使用 GPTQ 或 AWQ 逐步将 MLP /注意力层降至 INT4
• 始终将敏感网络层保持在 FP16 精度

此阶段是迭代过程：应用量化 → 测试 → 调整网络层精度

7.4 评估与调试

这是理论照进现实的环节：

• 使用真实场景的提示词进行测试，而非仅依赖基准数据集
• 检查是否出现幻觉、词元错位或推理能力下降
• 若某网络层表现异常，可选择性地恢复其精度或尝试按通道缩放

7.5 微调（可选步骤）

对于激进的低比特量化（如 INT4、混合 3-4 位量化），有时需要进行轻量级的量化感知微调：

• 在校准数据上训练几个 epoch
• 让模型适应量化引入的噪声
• 通常能将 INT4 的性能表现提升至接近 FP16 水平

7.6 部署就绪

当量化稳定后：

• KV 缓存也进行量化（INT8/INT4），提升内存效率
• 对那些被特意保留为较高精度的层，已采取保护措施
• 模型已通过长上下文任务测试

最终成果：内存占用更小，推理速度更快，精度损失微乎其微。当第一次看到 70B 参数的模型在单张 GPU 上流畅运行时，那种感觉堪称神奇。

08 应用场景

• 端侧 AI（On-Device AI） ：量化让我能直接在笔记本、边缘设备甚至手机上运行大语言模型。过去需要多卡 GPU 服务器的模型，如今单张 GPU 就能装下，让 AI 能够进行实时交互，摆脱云端延迟。我用它来做笔记、进行代码补全、当离线聊天助手 ------ 就像把一台超级计算机装进了背包里。
• 高性价比的云端部署（Cost-Efficient Cloud Deployment） ：即使在云端，量化也能大幅降低 GPU 内存占用，使单个节点能够服务更多用户，大幅节省运维成本。例如，如果一个 13B 模型在 INT4 精度下的表现几乎与 FP16 相当，但 GPU 内存占用减少了一半，这样使得预算有限的团队也可以部署高性能的 LLM。
• 长上下文应用（Long-Context Applications） ：通过降低 KV 缓存的内存占用，使得处理长文档成为可能。借助 INT8 或 INT4 的 KV 缓存，我成功实现了整本书籍的摘要生成、分析法律合同，甚至维持数小时的连续对话而不会爆内存。这让虚拟助手、教学系统和摘要工具能无缝处理超长上下文。
• 多模型协作流水线（Multi-Model Pipelines） ：量化模型在混合流水线中表现尤为出色。我经常用小型 INT4 模型做初步筛选或生成初始建议，再将结果交给更大的模型进行最终推理。若无量化技术，并行调度多个模型会很容易超出内存限制。而现在，就像在一台机器上部署了一整个 AI 专家团队。
• 研究与实验（Research and Experimentation） ：最后，量化技术让实验变得更快速、更便宜。我可以在消费级 GPU 上迭代新架构、测试模型消融实验或微调模型，无需等待昂贵的专用硬件。这极大加速了我们的学习与实验进程，让大模型研究变得更加触手可及。

END

本期互动内容 🍻

❓你觉得未来大模型会默认以量化形式发布，还是保留"原始精度+按需量化"的模式？

本文经原作者授权，由 Baihai IDP 编译。如需转载译文，请联系获取授权。

原文链接：

bhavishyapandit9.substack.com/p/deep-dive...