【论文阅读】平滑量化：对大型语言模型进行准确高效的训练后量化

论文题目：SmoothQuant: Accurate and Efficient  Post-Training Quantization for Large Language Models

论文地址：[2211.10438] SmoothQuant: Accurate and Efficient Post-Training Quantization for Large Language Models

代码地址：https://github.com/mit-han-lab/smoothquant

目录

【摘要】

【1 引言】

【2 预备知识】

【3 量化难度的综述】

【4 SmoothQuant】

【5 实验】

5.1 设置

5.2 精确量化

5.3 加速和节省内存

5.4 放大：单个节点内的530B模型

5.5 消融研究

【6 相关工作】

【7 结论】

---

---

◆大语言模型参数量巨大，计算和存储成本极高。为了降低部署成本，常用的方法是量化（Quantization），即用低精度（如8-bit整数）代替高精度（如16-bit浮点数）存储和计算。但大语言模型的激活值（即每层输出的中间结果）会出现异常大的离群值（outliers），导致直接量化后精度暴跌。

◆核心问题：如何在不重新训练模型的情况下（即“训练后量化”），高效且准确地量化大语言模型？本论文就是要解决这个问题。

【摘要】

大型语言模型( large language models，LLMs )表现出优异的性能，但计算和内存密集型。量化可以减少内存，加速推理。然而，现有方法无法同时保持精度和硬件效率。提出了SmoothQuant，一种免训练，精度保持和通用的训练后量化( PTQ ，post-training quantization)解决方案，以实现LLMs的8位权重，8位激活( W8A8 )量化。基于权重易于量化而激活不易量化的事实，SmoothQuant通过数学等价变换将量化难度从激活离线迁移到权重，平滑了激活异常值。Smooth Quant对LLMs中的所有矩阵乘法，包括OPT、BLOOM、GLM、MT-NLG、Llama-1/2、Falcon、Mistral和Mixtral模型，都能实现权重和激活的INT8量化。对于LLMs，展示了高达1.56倍的加速比和2倍的内存减少，而精度损失可以忽略不计。SmoothQuant能够在单个节点内服务530B LLM。我们的工作提供了一种turn-key解决方案，降低了硬件成本，并使LLMs大众化。

图1：近年来，大型语言模型的模型大小正以比GPU内存更快的速度发展，导致内存的供应和需求之间存在很大的差距。量化和模型压缩技术可以帮助弥合这一鸿沟。

【1 引言】

大规模语言模型( Large-scale language models，LLMs )在各种任务( Brown et al , 2020a ; Zhang et al , 2022)上表现出优异的性能。然而，由于其巨大的模型规模，服务LLMs是耗能的。例如，GPT-3 ( Brown et al , 2020a)模型包含175B个参数，将消耗至少350GB的内存，FP16，需要8 × 48GB的A6000 GPU或者5 × 80GB的A100 GPU就可以进行推理。由于巨大的计算和通信开销，推理延迟也可能是现实应用所不能接受的。量化是降低LLMs成本的一种有前途的方法。通过使用低比特整数量化权重和激活，可以减少GPU的内存需求，在大小和带宽上，并加速计算密集型操作(即,线性层中的GEMM * ,注意中的BMM)。例如，与FP16相比，权重和激活的INT8量化可以将GPU的内存使用量减半，并将矩阵乘法的吞吐量提高近一倍。

然而，与CNN模型或更小的transformer模型(如BERT ( Devlin et al , 2019) )不同，LLMs的激活难以量化。当将LLMs放大到6.7 B参数以上时，在激活中会出现幅度较大的系统异常值，从而导致较大的量化误差和精度下降。ZeroQuant (姚洋等, 2022)采用动态的每令牌激活量化和分组权重量化(定义见图3 Sec . 2 )。它可以高效地实现并且对GPT - 3 - 350M和GPT - J - 6B具有较好的精度。然而，对于拥有1750亿个参数(见5.2节)的大型OPT模型，它无法保持精度。LLM.int8 ( ) (Dettmers et al., 2022)通过进一步引入混合精度分解(也就是说,它在FP16中保留离群点,并使用INT8用于其他激活)来解决该精度问题。然而，在硬件加速器上高效地实现分解是很困难的。因此，为LLMs推导一个高效的、硬件友好的、更好的免训练量化方案，将INT8用于所有计算密集型操作仍然是一个开放的挑战。

我们提出了SmoothQuant，一种准确高效的LLMs训练后量化( PTQ )解决方案。SmoothQuant依赖于一个关键的观察：即使由于异常值的存在，激活比权重更难量化，但不同的令牌在它们的通道中表现出相似的变化。基于这一观察，SmoothQuant离线将量化难度从激活迁移到权重(图2 )。SmoothQuant提出了一种数学上等价的逐通道缩放变换，显著地平滑了跨通道的幅值，使模型易于量化。由于SmoothQuant可以兼容多种量化方案，我们为SmoothQuant (见表2 , O1 ~ O3)实现了三种效率级别的量化设置。实验表明，SmoothQuant是硬件高效的：它可以保持OPT - 175B ( Zhang et al , 2022)、BLOOM - 176B ( Scao et al , 2022)、GLM - 130B ( Zeng et al , 2022)和MT - NLG 530B (史密斯等, 2022)的性能，在PyTorch上可以达到1.51倍的加速和1.96倍的内存节省。Smooth Quant易于实现。我们将SmoothQuant集成到目前最先进的转换器服务框架FasterTransformer中，获得了高达1.56倍的加速比，与FP16相比，内存使用量减少了一半。值得注意的是，与FP16相比，SmoothQuant只需要使用一半的GPU就可以为OPT - 175B等大型模型提供服务，同时速度更快，并且可以在一个8 - GPU节点内为530B模型提供服务。我们的工作通过提供一个统包解决方案来降低服务成本，从而使LLMs的使用更加大众化。我们希望SmoothQuant可以启发未来更多地使用LLMs。

图2：SmoothQuant的直觉：激活值X很难量化，因为离群值扩大了量化范围，对大多数值来说，剩下的有效位数很少。我们在离线阶段将激活的尺度方差迁移到权重W上，以降低激活的量化难度。平滑后的激活( X )和调整后的权重( W )均易于量化。

【2 预备知识】

量化是将一个高精度的数值映射到离散的层次。我们研究整数均匀量化( Jacob等, 2018) (具体为INT8 )，以获得更好的硬件支持和效率。量化过程可以表示如公式(1)所示：

其中，X是浮点张量，是量化对应物，Δ是量化步长，⌈·⌋是取整函数，N是比特数(在我们的案例中， 8)。这里为了简单起见，假设张量在0处对称；对于非对称情形(例如,在ReLU之后)，通过增加一个零点( Jacob et al , 2018)进行类似的讨论。

这种量化器使用最大绝对值来计算∆，以保留激活中的异常值，这对于(Dettmers et al., 2022)的准确性非常重要。我们可以通过一些校准样本的激活离线地计算出Δ，我们称之为静态量化。也可以利用激活的运行时统计得到Δ，我们称之为动态量化。如图3所示，量化具有不同的粒度级别。每张量化对整个矩阵使用单一步长。我们可以通过对每个令牌(每令牌量化)或每个权重输出通道(每通道量化)相关的激活使用不同的量化步长来进一步实现更细粒度的量化。粗粒度版本的逐通道量化是针对不同的通道组采用不同的量化步长，称为分组量化(Shen et al., 2020; Yao et al., 2022)。

图3：每个张量，每个标记和每个通道量化的定义。按张量量化是最有效的实现方法。对于矢量量化，为了有效地利用INT8 GEMM核，我们只能使用外部维度(即令牌维度T和输出通道维度Co)的比例因子，而不能使用内部维度(即,在通道维度Ci)的比例因子。

对于Transformers ( Vaswani et al , 2017)中的一个线性层，

其中，T为令牌数，Ci为输入通道，Co为输出通道(见图3 ,为简便起见,略去批次维度)，通过将权重量化为INT8，可以比FP16减少一半的存储量。然而，为了加快推断速度，需要将权重和激活都量化到INT8 (即W8A8)中，以利用整数核(例如, INT8 GEMM)，即以广泛的硬件(例如, NVIDIA GPU , Intel CPU ,高通DSP等。)为支撑。

扩展：GEMM（General Matrix Multiply）是线性代数中矩阵乘法的一种通用表示，通常指两个矩阵的乘法运算，它是许多高性能计算和机器学习算法的核心组成部分。LLM通常基于Transformer架构，包括大量的自注意力（self-attention）和前馈神经网络（feed-forward networks）层，这些层的计算本质上可以归结为大规模的矩阵乘法，即GEMM操作。例如，自注意力层中的查询（Query）、键（Key）和值（Value）向量的计算，以及前馈网络中的全连接层（fully connected layers），都需要执行GEMM操作。由于GEMM操作的计算密集性，其效率直接影响到模型的训练和推理速度。因此，现代的深度学习框架和硬件加速器（如GPU和TPU）都高度优化了GEMM的实现，以充分利用并行计算能力，减少内存访问延迟，提高数据传输效率，从而加速模型的训练和推理过程。

【3 量化难度的综述】

众所周知，由于激活中的异常值，LLMs很难被量化。我们首先回顾了激活量化的困难，并在异常值中寻找模式。我们在图4 (左)中可视化了具有较大量化误差的线性层的输入激活和权重。

图4为OPT-13B中线性层在Smooth Quant前后的输入激活量和权重。观察：( 1 )原始激活图中有少数几个通道的幅值非常大的(大于70 )；( 2 )一个激活通道内的方差较小；( 3 )原始权重分布平坦且均匀。SmoothQuant将离群通道从激活迁移到权重。最后，激活中的异常值被极大地平滑，而权重仍然是相当平滑和平坦的。

我们可以发现激励我们的方法的几种模式：

1 .激活比权重更难量化。权重分布比较均匀、扁平，易于量化。先前的工作表明，使用INT8甚至INT4量化LLMs的权重不会降低(Dettmers et al., 2022; Yao et al., 2022; Zeng et al., 2022)的精度，这与我们的观察相呼应。

2 .离群点使得激活量化变得困难。激活状态中异常值的规模是100 ×大于大多数激活状态值。在按张量量化的情况下(式1 )，大的异常值主导了最大幅度测量，导致非出格点信道的有效量化比特/电平较低(图2 )：假设信道i的最大幅度为mi，整个矩阵的最大值为m，则信道i的有效量化电平为2^8 · mi / m。对于非出格点信道，有效量化电平很小( 2-3 )，导致较大的量化误差。

3 .异常值在固定通道中持续存在。在一小部分通道中出现离群值。如果一个通道存在离群点，则它持续出现在所有令牌(图4 ,红色)中。对于给定的令牌，通道间的方差为大(某些通道的激活非常大,但大多数通道的激活很小)，但给定通道跨令牌的幅度间的方差为小(离群点通道是一致大的)。由于异常值的持久性和每个通道内的小方差性，如果我们可以对激活(也就是说,对每个通道使用不同的量化步长)进行每通道量化，则量化误差将比每张量化小得多，而每令牌量化几乎没有帮助。在表1中，我们验证了我们的假设，即模拟的逐通道激活量化成功地桥接了FP16基线的准确性，这与Bondarenko et al.的发现相呼应。

表1：在不同的激活量化方案中，只有每通道量化保持了精度，但它与INT8 GEMM内核不兼容(用灰色标示)。我们报告了在WinoGrande，HellaSwag，PIQA和LAMBADA上的平均准确率。

然而，单通道激活量化并不能很好地映射到硬件加速的GEMM内核，它依赖于在高吞吐率(例如, Tensor Core MMAs)下执行的操作序列，并且不能容忍在该序列中插入吞吐率较低的(例如,转换或CUDA Core FMAs)的指令。在这些内核中，缩放只能沿着矩阵乘法(即激活的令牌维度T ,权重的输出通道维度Co ,见图3)的外维进行，可以在矩阵乘法结束后应用，见公式(2)。

因此，先前的工作都是对线性层(Dettmers et al., 2022; Yao et al., 2022)使用按令牌激活量化，尽管它们不能解决激活量化(仅略优于per - tensor)的困难。

【4 SmoothQuant】

与单通道激活量化(这是不可行的)不同，我们提出通过将输入激活除以单通道平滑因子进行"平滑"。为了保持线性层的数学等价性，我们按照相反的方向对权重进行相应的调整，见公式(3)。

◆对于公式3的解释

对每一层的输入激活值 X 和权重 W，按通道i 缩放：

激活值：Xi′=Xi/si​ 

权重：Wi′=Wi×si​ 

输出不变：Y=X×W=X′×W′

其中 si​ 是第 i 通道的缩放系数。

考虑到输入X通常是由之前的线性操作产生的，我们可以很容易地将平滑因子融合到之前层的参数中，这不会带来额外的缩放带来的内核调用开销。对于其他一些情况，当输入来自残差加法时，我们可以像Wei et al. (2022)那样，在残差分支上添加一个额外的缩放。

将量化难度从激活迁移到权重。我们的目标是选择每个通道的平滑因子s，使得易于量化。为了减小量化误差，应该增加所有信道的有效量化比特数。当所有通道的最大幅度相同时，总的有效量化比特数最大。因此，一个直观的选择是，其中j对应第j个输入通道。这种选择保证了在划分后，所有的激活通道都会有相同的最大值，易于量化。需要注意的是，激活的范围是动态的；对于不同的输入样本，它是不同的。在这里，我们使用来自预训练数据集(Jacob et al., 2018)的校准样本来估计激活通道的规模。然而，这个公式将所有的量化困难都推到了权重上。我们发现，在这种情况下，权重(离群通道现在被迁移到权重中)的量化误差会很大，从而导致(见图10)的精度下降。另一方面，通过选择，我们也可以将所有的量化难度从权重推进到激活。同样，由于激活量化误差的存在，模型性能较差。因此，我们需要在权重和激活之间拆分量化难度，使它们都易于量化。

如何选择缩放系数 Sj?这里我们引入一个超参数，迁移强度α，来控制我们想要从激活迁移到权重的难度，使用以下公式，见公式(4)。

我们发现，对于大多数模型，例如所有的OPT ( Zhang et al , 2022)和BLOOM ( Scao et al , 2022)模型，α = 0.5是一个很好的均衡点，可以均匀地分割量化难度，特别是当我们对权重和激活(例如,预张量,静态量化)使用相同的量化器时。该公式保证了对应通道的权值和激活具有相似的最大值，从而具有相同的量化难度。图5给出了取α = 0.5时的平滑变换。对于其他一些激活异常值更显著的模型( ( e.g . , GLM-130B ( Zeng et al , 2022)有30 %的异常值，这对激活量化更困难)，我们可以选择更大的α将更多的量化难度迁移到权重上(如0.75 )。

图5：α = 0.5时SmoothQuant的主要思想。在校准样本上获得平滑因子s，并离线执行整个变换。在运行时，激活是平滑的，没有缩放。

将Smoothquant应用于Transformer模块。线性层占据了LLM模型的大部分参数和计算量。默认情况下，我们对自注意力和前馈层的输入激活进行尺度平滑，用W8A8对所有线性层进行量化。我们还对注意力计算中的BMM算子进行了量化。我们在图6中设计了变压器块的量化流程。我们使用INT8量化注意力层中线性层和BMM等计算密集型操作符的输入和权重，同时保持ReLU、Softmax和LayerNorm等其他轻量级元素操作的激活为FP16。这样的设计有助于我们平衡准确性和推理效率。

图6：Transformer块的SmoothQuant精度映射。所有计算密集型的算子如线性层和批处理矩阵( BMMs )都使用INT8算法。

【5 实验】

5 . 1设置

基线。我们与INT8训练后量化设置中的四个基线进行比较，即不重新训练模型参数：W8A8 naive量化、ZeroQuant (姚洋等, 2022)、LLM . int8 ( ) (德特默斯et al , 2022)和Outlier Suppression ( Wei et al . , 2022)。由于SmoothQuant与量化方案是正交的，我们提供了从O1到O3的渐进有效的量化水平。基线和SmoothQuant的详细量化方案如表2所示。

表2：基线和SmoothQuant的量化设置。除非特别说明，所有的权重和激活都使用INT8表示。对于SmoothQuant，效率从O1提高到O3 (也就是说,更低的延迟)。

模型和数据集。我们选择了三个家族的LLMs来评估SmoothQuant：OPT ( Zhang et al , 2022)，BLOOM ( Scao et al , 2022)和GLM - 130B ( Zeng et al , 2022)。我们使用七个零样本评估任务：LAMBADA (帕佩尔诺等, 2016)，HellaSwag (策勒斯et al , 2019)，PIQA ( Bisk et al , 2020)，WinoGrande (坂口等, 2019)，OpenBookQA (米哈伊洛夫等, 2018)，RTE ( Wang et al . , 2018)，COPA (罗米尔等, 2011)和一个语言建模数据集WikiText ( Merity et al , 2016)来评估OPT和BLOOM模型。由于GLM130B的训练集中出现了上述的一些基准，我们使用MMLU ( Hendrycks et al , 2020)，MNLI (威廉姆斯等, 2018)，QNLI ( Wang et al . , 2018)和LAMBADA来评估GLM - 130B模型。对于OPT和BLOOM模型，我们使用了lm - eval - harness来评估，而GLM - 130B的官方报告则是对其本身的评估。最后，我们将我们的方法扩展到MT - NLG 530B (史密斯等, 2022)，并首次实现了在单个节点内服务> 500B的模型。值得注意的是，我们关注的是量化前后的相对性能变化，而不是绝对值的变化。

激活平滑。对于所有的OPT和BLOOM模型，迁移强度α = 0.5是一个普遍的点，而对于GLM - 130B，α = 0.75，因为它的激活更难以量化( Zeng et al , 2022)。我们通过在Pile ( Gao et al , 2020)验证集的子集上运行快速网格搜索得到一个合适的α。为了获得激活统计量，我们从预训练数据集Pile中用512个随机句子校准一次平滑因子和静态量化步长，并对所有下游任务使用相同的平滑和量化模型。通过这种方式，我们可以对量化LLMs的通用性和零样本性能进行基准测试。

实施。我们实现了带有两个后端的SmoothQuant：( 1 )用于概念证明的PyTorch Huggedface；( 2 ) FasterTransformer，作为一个在生产环境中使用的高性能框架的例子。在PyTorch Huggingface和FasterTransformer两个框架中，我们使用CUTLASS INT8 GEMM内核实现了INT8线性模块和批处理矩阵乘法( BMM )函数。我们简单地将原来的浮点( FP16 )线性模块和bmm函数替换为我们的INT8核作为INT8模型。

5.2 精确量化

Opt-175B的结果。SmoothQuant可以处理非常大的LLMs的量化，这些LLMs的激活更加难以量化。我们在OPT-175B上进行量化研究。

如表3所示，SmoothQuant可以在所有评价数据集上匹配所有量化方案的FP16精度。LLM.int8 ( )可以匹配浮点精度，因为它们使用浮点值来表示异常值，这导致了较大的延迟开销(表11 )。W8A8，ZeroQuant和Outlier Suppression基线产生几乎随机的结果，表明幼稚地量化LLMs的激活会破坏性能。

表3：SmoothQuant在INT8量化之后仍然保持了OPT-175B模型的精度，即使在O3设置最激进、最高效的情况下也是如此(表2 )。我们在7个零样本基准(通过报告平均准确率)和1个语言建模基准(perplexity)上进行了广泛的性能测试。*对于ZeroQuant，我们还尝试将自注意力的输入激活保留在FP16中，其余部分量化到INT8中，这是他们对GPT - NeoX - 20B的解决方案。但这并不能解决OPT - 175B的精度下降问题。

不同LLM的结果。表4：SmoothQuant适用于不同的LLM。我们可以将3个最大的、公开可用的LLM模型量化为INT8，而不会降低精度。对于OPT-175B和BLOOM-176B，我们展示了在WinoGrande，HellaSwag，PIQA和LAMBADA上的平均精度。对于GLM-130B，我们展示了在LAMBADA，MMLU，MNLI和QNLI上的平均精度。由于不同的数据集，*精度不是列可比的。

不同大小LLMs上的结果。图7：当量化到INT8时，SmoothQuant-O3 (最有效的设置,定义在表2中)保持了OPT模型在不同尺度下的准确性。LLM.int8 ( )要求混合精度，且速度较慢。

指令微调LLM的结果。表5：SmoothQuant在OPT- IML模型上的性能。

关于Llama模型的结果。表6：SmoothQuant可以实现LLaMA模型的无损W8A8量化。结果在序列长度为512的WikiText - 2数据集上令人困惑。我们使用了每令牌激活量化，对于SmoothQuant，α = 0.8。

Llama-2, Falcon, Mistral, and Mixtral模型上的结果。表7：SmoothQuant可以实现Llama - 2，Falcon，Mixtral和Mixtral模型的无损W8A8量化。结果在序列长度为2048的WikiText - 2数据集上令人困惑。我们对SmoothQuant使用了每令牌激活量化和每通道权重量化。

5.3 加速和节省内存

在本节中，我们展示了集成到PyTorch和FasterTransformer中的SmoothQuant - O3的实测加速比和内存节省情况。

Context-Stage：Pytorch实现。图8：SmoothQuant - O3的PyTorch实现在单个NVIDIA A100 ~ 80GB GPU上对OPT模型实现了高达1.51倍的加速和1.96倍的内存节省，而LLM . int8 ( )在大多数情况下降低了推断速度。

Context-Stage：Faster Transformer实现。图9为FasterTransformer在NVIDIA A100 ~ 80GB GPU上实现的推理延迟(上)和内存使用量(下)。对于较小的模型，与FP16相比，SmoothQuant - O3可以显著降低延迟，最高可降低1.56倍。对于较大的模型( OPT - 66B和175B)，我们只需要使用一半的GPU就可以实现相似甚至更快的推断。与FP16相比，内存占用几乎减半。

解码阶段。表8：SmoothQuant在解码阶段的性能。

5.4 放大：单个节点内的530B模型

表9：Smooth Quant可以将MT - NLG 530B量化到W8A8，精度损失可以忽略不计。

表10：在服务MT - NLG 530B时，SmoothQuant可以使用一半的GPU在相似的延迟下减少一半的内存，这允许在单个节点内服务530B模型。

5.5 消融研究

量化方案。表11：不同量化方案的GPU延迟( ms )。量化方案(从Pertoken到Per - tensor ,从动态到静态,从O1到O3 ,如表2所示)越粗，延迟越低。在所有设置下，与FP16相比，SmoothQuant实现了较低的延迟，而LLM . int8 ( )则较慢。批次大小为4 .

迁移强度。图10：一个合适的迁移强度α 使得激活和权重都易于量化。如果α太大，权重将很难量化；如果太小，激活就很难量化。

◆综上，实现步骤简述如下：

校准：确定每个通道的平滑因子si​。

变换：对模型权重和激活值进行平滑缩放。

量化：将权重和激活值转换为8-bit整数。

【6 相关工作】

大型语言模型( LLMs )。经过预训练的语言模型通过扩展在各种基准上取得了显著的性能。

模型量化。量化是减小模型规模和加速推理的有效方法。

LLMs的量化。GPTQ 只对权重进行量化，而不对激活进行量化。Zero Quant 和nuQmm 对LLMs采用逐令牌分组量化方案，需要定制CUDA内核。它们的最大评估模型分别为20B和2.7 B，无法保持OPT175B等LLMs的性能。LLM.int8 ( )使用混合INT8 / FP16分解来处理激活异常值。然而，这样的实现会导致较大的延迟开销，甚至会慢于FP16的推理速度。离群点抑制使用非等比例缩放LayerNorm和token - wise裁剪来处理激活离群点。然而，它仅在BERT和BART等小型语言模型上取得了成功，并且无法保持对LLMs的准确性(表4 )。我们的算法保留了LLMs (截止到176B ,我们可以找到最大的开源LLM)的性能，采用了有效的逐张量静态量化方案，无需重新训练，允许我们使用现成的INT8 GEMM实现较高的硬件效率。

【7 结论】

我们提出了SmoothQuant，一种精确而有效的训练后量化方法，可以对高达530B参数的LLMs实现无损的8比特权重和激活量化。SmoothQuant能够对LLMs中所有GEMM的权重和激活进行量化，与混合精度激活量化基准相比，显著降低了推理延迟和内存使用。我们将SmoothQuant集成到PyTorch和FasterTransformer中，获得了高达1.56倍的推理加速，并将内存占用减少了一半。SmoothQuant通过提供统包解决方案来降低服务成本，实现了LLMs应用的大众化。

◆为什么这种方法有效？

激活值离群值被抑制：通过按通道缩放，大幅降低激活值的动态范围。

权重容忍度高：权重分布均匀，即使动态范围稍增大，量化误差影响小。

数学等价：缩放是线性操作，不改变模型输出结果，无需微调。

◆SmoothQuant就像给大模型做了一次“动态范围平衡手术”操作。

把激活值的“高血压”（离群值）通过缩放降压；

把“血压”转移给权重（因为它身体好，扛得住）；

最终实现无需训练、高效部署的8-bit量化，几乎不掉精度。

这种方法简单、实用，成为大模型量化部署的重要工具之一。

至此，本文分享的内容就结束了。