AWQ

量化：让大模型跑得起的关键技术 大模型的推理成本是落地的最大障碍之一。一个70B参数的模型在FP16精度下需要约140GB显存，而INT4量化只需要约35GB——直接让单卡部署成为可能。 但量化不是免费的午餐。精度降低必然带来质量损失，问题是损失多少、哪种方案损失最小。我们在统一环境下对三种主流量化方案进行了系统对比。 三种方案简介 GPTQ：基于二阶Hessian信息的后训练量化方法。通过逐层补偿量化误差来保持模型质量。优势是不需要校准数据量太大，劣势是量化过程较慢。 AWQ（Activation-aware Weight Quantization）：通过分析激活值分布来识别"重要"权重，对重要权重保持高精度，非重要权重进行量化。核心洞察是并非所有权重对模型输出的贡献相同。 INT4（含NF4/FP4变体）：将权重压缩到4比特。NF4（NormalFloat 4）由QLoRA提出，针对正态分布的权重进行了优化。FP4则保留了浮点数的指数-尾数结构。 测试设置 硬件：单张A100 80GB 模型：Llama-3-70B、Qwen-2.5-72B、Mistral-Large 基准：FP16未量化版本 评估数据集：MMLU、HumanEval、GSM8K、C-Eval 测试场景：单序列推理和批量推理 核心结果 质量对比 方案 MMLU HumanEval GSM8K C-Eval 平均损失 FP16 82.1 74.4 88.3 85.7 0% AWQ-INT4 80.8 72.1 86.1 84.3 ~2.0% GPTQ-INT4 80.3 71.5 85.7 83.9 ~2.6% NF4 81.2 72.8 86.9 84.6 ~1.6% INT4-naive 76.5 66.2 80.1 79.3 ~7.8% NF4在质量保持上略优于AWQ和GPTQ，但差异在统计意义上并不显著（除naive INT4外）。三种成熟方案的损失都控制在3%以内，对于大多数应用场景完全可接受。 速度对比 方案 单序列(tokens/s) 批量32(tokens/s) 首Token延迟(ms) FP16 45.2 820 120 AWQ-INT4 112.5 2100 65 GPTQ-INT4 98.3 1850 78 NF4 105.7 1950 70 AWQ在推理速度上领先，这得益于其更优化的内核实现（vLLM的AWQ后端经过深度优化）。GPTQ由于需要额外的反量化步骤，速度略慢。 ...

量化：让大模型跑得起的关键技术 大模型的推理成本是落地的最大障碍之一。一个70B参数的模型在FP16精度下需要约140GB显存，而INT4量化只需要约35GB——直接让单卡部署成为可能。 但量化不是免费的午餐。精度降低必然带来质量损失，问题是损失多少、哪种方案损失最小。我们在统一环境下对三种主流量化方案进行了系统对比。 三种方案简介 GPTQ：基于二阶Hessian信息的后训练量化方法。通过逐层补偿量化误差来保持模型质量。优势是不需要校准数据量太大，劣势是量化过程较慢。 AWQ（Activation-aware Weight Quantization）：通过分析激活值分布来识别"重要"权重，对重要权重保持高精度，非重要权重进行量化。核心洞察是并非所有权重对模型输出的贡献相同。 INT4（含NF4/FP4变体）：将权重压缩到4比特。NF4（NormalFloat 4）由QLoRA提出，针对正态分布的权重进行了优化。FP4则保留了浮点数的指数-尾数结构。 测试设置 硬件：单张A100 80GB 模型：Llama-3-70B、Qwen-2.5-72B、Mistral-Large 基准：FP16未量化版本 评估数据集：MMLU、HumanEval、GSM8K、C-Eval 测试场景：单序列推理和批量推理 核心结果 质量对比 方案 MMLU HumanEval GSM8K C-Eval 平均损失 FP16 82.1 74.4 88.3 85.7 0% AWQ-INT4 80.8 72.1 86.1 84.3 ~2.0% GPTQ-INT4 80.3 71.5 85.7 83.9 ~2.6% NF4 81.2 72.8 86.9 84.6 ~1.6% INT4-naive 76.5 66.2 80.1 79.3 ~7.8% NF4在质量保持上略优于AWQ和GPTQ，但差异在统计意义上并不显著（除naive INT4外）。三种成熟方案的损失都控制在3%以内，对于大多数应用场景完全可接受。 速度对比 方案 单序列(tokens/s) 批量32(tokens/s) 首Token延迟(ms) FP16 45.2 820 120 AWQ-INT4 112.5 2100 65 GPTQ-INT4 98.3 1850 78 NF4 105.7 1950 70 AWQ在推理速度上领先，这得益于其更优化的内核实现（vLLM的AWQ后端经过深度优化）。GPTQ由于需要额外的反量化步骤，速度略慢。 ...

量化部署决策树 是否在H100上部署？ ├─ 是 → FP8量化（原生加速，精度最佳） └─ 否 → 显存是否足够FP16？ ├─ 是 → FP16（无精度损失） └─ 否 → INT8还是INT4？ ├─ 精度要求高 → INT8 (W8A8) └─ 显存优先 → INT4 (GPTQ/AWQ) GPTQ量化 # 使用AutoGPTQ进行量化 from auto_gptq import AutoGPTQForCausalLM, BaseQuantizeConfig # 量化配置 quantize_config = BaseQuantizeConfig( bits=4, # 4-bit量化 group_size=128, # 分组大小 desc_act=False, # 是否按激活降序排列 ) # 准备校准数据 calibration_data = load_calibration_dataset(n_samples=128, max_length=512) # 加载模型并量化 model = AutoGPTQForCausalLM.from_pretrained( "Qwen/Qwen3-32B", quantize_config, ) model.quantize(calibration_data) # 保存量化模型 model.save_quantized("./qwen3-32b-gptq-4bit") AWQ量化 # 使用AutoAWQ进行量化 from awq import AutoAWQForCausalLM model = AutoAWQForCausalLM.from_pretrained("Qwen/Qwen3-32B") quant_config = { "zero_point": True, "q_group_size": 128, "w_bit": 4, "version": "GEMM" } model.quantize( calibration_data, quant_config=quant_config ) model.save_quantized("./qwen3-32b-awq-4bit") vLLM部署量化模型 # GPTQ模型部署 vllm serve ./qwen3-32b-gptq-4bit \ --quantization gptq \ --dtype float16 \ --tensor-parallel-size 1 \ --max-model-len 8192 \ --gpu-memory-utilization 0.9 # AWQ模型部署 vllm serve ./qwen3-32b-awq-4bit \ --quantization awq \ --dtype float16 \ --max-model-len 8192 # FP8模型部署（H100） vllm serve ./model \ --quantization fp8 \ --kv-cache-dtype fp8 Ollama部署 # 从GGUF文件创建Ollama模型 cat > Modelfile <<EOF FROM ./qwen3-32b-q4_k_m.gguf PARAMETER num_ctx 8192 PARAMETER temperature 0.7 EOF ollama create my-qwen -f Modelfile ollama run my-qwen 量化效果对比 以Qwen3-32B为例（单卡A100 80GB）： ...

引言 大模型的量化（Quantization）是将高精度浮点模型转换为低精度表示的技术。2026年，INT4量化已经从"实验性技术"成为"生产级方案"，让70B参数模型在消费级GPU上运行成为可能。 量化技术分类 按训练方式分类 量化方法 ├── 训练后量化（PTQ） │ ├── PTQ-W（权重量化） │ └── PTQ-A（激活量化） ├── 校准量化（Calibration-based） │ ├── LLM.int8() │ └── SmoothQuant ├── 感知量化（Aware Quantization） │ ├── AWQ（Activation-Aware） │ ├── GPTQ（Greedy Post-Training） │ └── QoQ（Quantization-out-of-Context） └── 量化感知训练（QAT） ├── QAT-F（全量化训练） └── LoRA-QAT（低秩量化） 按量化粒度分类 粒度 说明 精度损失 加速效果 逐层 每层一个缩放因子 低 中 逐通道 每个通道一个缩放因子 低 高 逐组 每组（如128个）一个缩放因子 中 最高 逐元素 每个权重一个缩放因子 高 有限 主流量化方案深度对比 AWQ（Activation-Aware Weight Quantization） 核心思想： 保护对激活值敏感的权重，对这些权重进行更精细的量化。 原理： ...

引言 2026年，量化技术已经成为大模型部署的标配。随着更多量化方法和工具的成熟，开发者面临着INT4、INT8、AWQ、GPTQ、FP8等多种选择。不同量化方法在质量损失、压缩比、推理速度和硬件兼容性上各有优劣。本文将通过大量实测数据，全面对比2026年主流量化技术，帮助开发者做出最优选择。 量化技术概述 量化基础 量化是将模型权重和激活值从高精度（FP16/BF16）转换为低精度（INT8/INT4等）的过程。 核心指标： 指标 说明 影响 压缩比 量化后大小/原始大小 显存占用、存储成本 质量损失 量化后性能下降 准确性、可用性 推理加速 量化后速度提升 用户体验、成本 硬件要求 需要的硬件支持 部署灵活性 2026年主流量化方法 方法 精度 压缩比 质量损失 硬件要求 FP16/BF16 16-bit 1× 0% 所有GPU FP8 (E4M3) 8-bit浮点 2× <0.5% Hopper/Ada/A100-80G INT8 (W8A8) 8-bit整数 2× <1% 所有GPU INT4 (W4A16) 4-bit权重 4× 2-3% 所有GPU AWQ 4-bit 4-bit激活感知 4× 1-2% 所有GPU GPTQ 4-bit 4-bit压缩 4× 2-3% 所有GPU 2-bit量化 2-bit 8× 8-15% 实验性 实测对比 测试环境 硬件1：8×NVIDIA A100 80GB 硬件2：4×NVIDIA H100 硬件3：1×NVIDIA RTX 4090 模型：Llama 4 70B、Qwen3.5 72B、DeepSeek V4 基准：MMLU-Pro、HumanEval+、C-Eval、TruthfulQA FP8量化实测 方法：使用NVIDIA Transformer Engine进行FP8量化 ...

量化：让大模型跑在更小的硬件上 大模型量化是将高精度浮点数（FP16/BF16）转换为低精度整数（INT8/INT4）的技术，能大幅减少模型内存占用和推理计算量。2026 年，INT4 量化已成为大模型部署的标配。本文深入解析量化背后的数学原理。 一、量化的数学基础 1.1 均匀量化 量化的核心是将浮点数映射到有限离散值： $$q = \text{round}\left(\frac{x}{s}\right) + z$$ 其中： $x$：原始浮点值 $q$：量化后的整数值 $s$：缩放因子（scale） $z$：零点（zero point） 反量化（恢复浮点值）： $$\hat{x} = s \cdot (q - z)$$ 1.2 对称量化 vs 非对称量化 对称量化（Symmetric）：$z = 0$，零点固定为 0 $$s = \frac{\max(|x|)}{2^{b-1} - 1}$$ 适用于权重（均值为 0 的正态分布）。 非对称量化（Asymmetric）：$z \neq 0$ $$s = \frac{x_{max} - x_{min}}{2^b - 1}$$ $$z = \text{round}\left(-\frac{x_{min}}{s}\right)$$ 适用于激活值（可能偏移，如 ReLU 后全为正）。 对称量化 (INT8): 浮点范围 [-127, 127] → 整数 [-127, 127] x = 0 → q = 0 s = max(|x|) / 127 非对称量化 (INT8): 浮点范围 [xmin, xmax] → 整数 [0, 255] x = 0 → q = z (可能不为 0) s = (xmax - xmin) / 255 1.3 量化误差 量化引入的误差： ...

2026 年，模型量化已从"可选优化"变为"必备技能"。随着开源模型参数量从 7B 涨到 671B，不量化的模型在大多数硬件上根本无法运行。但量化方案众多——INT4、INT8、AWQ、GPTQ、GGUF、SmoothQuant——每种方案在质量损失、推理速度和部署便利性上都有不同的 trade-off。本文将通过系统性实测，给出 2026 年最全面的量化技术对比。 一、量化技术概览 主要量化方案 方案 类型 原理 适用场景 INT8 (W8A8) 训练后量化 权重和激活均为 INT8 服务器通用部署 INT4 (W4A16) 训练后量化 权重 INT4，激活 FP16 端侧/消费级GPU GPTQ 训练后量化 基于二阶信息的逐层量化 GPU 推理 AWQ 训练后量化 基于激活感知的权重量化 GPU/Edge GGUF 格式标准 llama.cpp 生态量化格式 CPU/混合推理 SmoothQuant 训练后量化 激活平滑后 INT8 量化 高吞吐服务器 QAT 量化感知训练 训练中模拟量化 追求极致质量 INT2/INT3 极限量化 超低位量化 IoT/微控制器 量化命名规范（GGUF） 名称 权重位宽 说明 Q8_0 8-bit 质量最佳 Q6_K 6-bit 质量优秀 Q5_K_M 5-bit 质量良好 Q4_K_M 4-bit 性价比最优 Q3_K_S 3-bit 极限压缩 Q2_K 2-bit 最大压缩 二、评测设计 测试模型 Qwen3.5-72B（稠密 72B） DeepSeek V4-Lite（236B MoE，激活 21B） Llama 4 Scout（109B MoE，激活 17B） Mistral Large 3（123B 稠密） 测试基准 MMLU-Pro（学术综合） HumanEval+（代码生成） MATH-500（数学推理） 长文本摘要（10K/50K/100K token） 中文问答（C-Eval Pro） 硬件环境 GPU：4×A100 80GB / 单×RTX 4090 24GB CPU：AMD EPYC 9654 + 512GB DDR5 推理引擎：vLLM 0.8 / llama.cpp b3500 三、Qwen3.5-72B 量化实测 质量对比 量化方案 模型大小 MMLU-Pro HumanEval+ MATH-500 C-Eval Pro 平均损失 FP16（基准） 144GB 89.5 93.8 80.3 92.8 0% INT8 (W8A8) 72GB 89.2 93.5 80.0 92.5 0.3% AWQ-INT4 36GB 88.7 93.1 79.5 92.1 0.8% GPTQ-INT4 36GB 88.3 92.8 78.8 91.7 1.2% GGUF Q5_K_M 50GB 88.5 93.0 79.2 92.0 0.9% GGUF Q4_K_M 40GB 87.9 92.5 78.3 91.3 1.6% GGUF Q3_K_S 30GB 86.1 90.8 76.5 89.8 3.4% GGUF Q2_K 20GB 82.3 87.2 72.1 85.5 7.5% INT3 (GPTQ) 27GB 85.5 89.7 74.8 88.2 4.1% 关键发现： ...