大模型量化是降低推理成本、提升部署效率的核心技术。通过将模型权重从高精度浮点数转换为低精度整数，可以显著减少显存占用和计算量，使大模型能够在边缘设备、消费级 GPU 甚至移动端运行。本文将系统介绍大模型量化的技术原理、主流方法和工程实践。
一、为什么需要量化大模型参数规模持续增长，从 7B 到 70B 再到 400B 甚至更大。这种规模带来了巨大的部署压力：第一，显存占用高。一个 FP16 精度的 70B 模型需要约 140GB 显存，单张消费级 GPU 根本无法承载。第二，推理成本高。高精度计算需要更多的计算资源和能耗，限制了模型的规模化应用。第三，边缘部署困难。很多场景需要在本地设备上运行模型，但边缘设备的算力和内存非常有限。量化通过降低数值精度来解决这些问题。虽然会损失一定精度，但在合理范围内，量化后的模型效果损失可以很小，而部署收益巨大。## 二、量化基础量化是将连续值映射到离散值的过程。最常见的做法是将 FP16 或 FP32 的权重映射到 INT8、INT4 等整数表示。均匀量化。将数值范围等分为若干个区间，每个区间用一个整数表示。例如 INT8 量化将数值映射到 -128 到 127 的 256 个离散值。均匀量化简单高效，但可能无法适应权重分布的不均匀性。非均匀量化。根据权重分布动态划分区间，在权重密集区域使用更细的粒度。例如 GPTQ 和 AWQ 使用的量化方法，会考虑权重的敏感性，对重要权重保留更高精度。对称与非对称量化。对称量化以 0 为中心对称映射，计算更简单；非对称量化允许不同的零点，可以更灵活地表示分布偏移。## 三、INT8 量化INT8 量化是最成熟的量化方案，将权重和激活值从 FP16 转换为 INT8，理论上可以将存储和计算量减半。PTQ（训练后量化）。在不重新训练模型的情况下，直接对训练好的模型进行量化。PTQ 简单快速，但精度损失可能较大，尤其是对激活值敏感的大模型。QAT（量化感知训练）。在训练过程中模拟量化误差，让模型学习适应低精度表示。QAT 通常比 PTQ 效果更好，但训练成本更高。SmoothQuant。针对 Transformer 的激活值异常大（outliers）问题，SmoothQuant 通过将激活值的难度迁移到权重上，实现有效的 INT8 量化。这种方法在 LLM 上取得了很好的效果。## 四、4-bit 量化为了进一步降低显存占用，4-bit 量化成为主流选择。一个 4-bit 量化的 70B 模型只需要约 35GB 显存，单张高端消费级 GPU 即可运行。GPTQ。GPTQ 是一种基于近似二阶信息的逐层量化方法。它将每层权重量化为 4-bit，并通过优化最小化量化误差。GPTQ 在保持较高精度的同时，实现非常高的压缩率。AWQ（Activation-aware Weight Quantization）。AWQ 认为并非所有权重的位宽都同样重要，与激活值相乘较大的权重对输出影响更大。AWQ 对这些重要权重保留更高精度，从而在 4-bit 量化下保持更好的效果。GGUF。GGUF 是 llama.cpp 使用的量化格式，支持多种量化方案（Q4_0、Q5_K_M、Q8_0 等）。GGUF 的优势在于可以在 CPU 上高效运行，适合边缘设备部署。GPTQ vs AWQ。两者都是 4-bit 量化的主流方案。GPTQ 通常量化速度更快，AWQ 在某些任务上精度更高。选择哪种方案需要结合具体模型和任务进行测试。## 五、量化部署的工程考虑选择合适的量化精度。不是所有模型都需要 4-bit。对于精度敏感的任务（如代码生成、数学推理），可能需要 8-bit 或混合精度；对于对成本敏感的场景，4-bit 甚至更低精度都可以接受。评估量化损失。量化后必须进行充分的评测，包括通用能力、领域任务和端到端应用指标。量化损失可能在某些任务上被放大，不能只看平均指标。推理框架选择。不同的推理框架对量化格式的支持不同。vLLM、SGLang、TensorRT-LLM、llama.cpp 都有各自的量化方案。需要根据部署环境和性能要求选择。动态量化与静态量化。静态量化对权重和激活值使用固定的量化参数，适合部署；动态量化在运行时计算量化参数，精度更高但速度较慢。KV Cache 量化。除了权重量化，KV Cache 也是显存大户。对 KV Cache 进行 INT8 或 4-bit 量化，可以进一步降低长上下文场景的显存需求。## 六、未来趋势量化技术正在向更细粒度、更自适应的方向发展。未来的量化方法可能会：根据层的重要性动态分配位宽、结合模型结构进行联合优化、支持更低精度（如 2-bit、1-bit）但保持可用效果、以及针对特定硬件进行定制化量化。## 七、总结大模型量化部署是从实验室走向生产的关键技术。从 INT8 到 4-bit，量化技术不断进步，使得大模型能够在更广泛的硬件上运行。工程实践中，需要根据任务精度要求、硬件资源和推理框架，选择合适的量化方案，并充分评估量化后的模型效果。随着量化技术的发展，大模型部署的门槛将持续降低，AI 应用的普及速度也会进一步加快。
