一、量化基础概念1. 什么是模型量化将模型的高精度参数FP32/FP16/BF16转换为低精度参数INT8/INT4的技术核心目标减少模型显存占用INT4 比 FP16 小 75%提升推理速度、降低算力消耗保持模型精度尽可能接近原始模型2. 核心术语PTQ (Post-Training Quantization)训练后量化无需训练 / 微调直接对训练好的模型量化QAT (Quantization-Aware Training)量化感知训练模拟量化噪声训练精度更高Bit位宽常用 8bit、4bitTransformers 原生优先支持 INT8/INT4Calibration校准PTQ 中用少量数据统计参数分布确定量化阈值Scale/Zeropoint量化核心参数用于高精度 ↔ 低精度映射3. Transformers 原生量化优势开箱即用无需复杂代码一行 API 调用兼容 Hugging Face 全生态模型、数据集、Trainer支持 GPU/CPU 推理无缝对接 PEFT、LoRA 等技术官方维护稳定性强适配最新大模型Llama、Qwen、GLM 等二、PTQ训练后量化1. 核心定义模型训练完成后直接进行量化不修改模型权重原始分布仅做精度转换 校准。2. 特点✅ 优点极速量化秒级 / 分钟级无需训练数据、无需微调零代码成本适合快速部署❌ 缺点精度损失比 QAT 大尤其 4bit不适合极低比特2bit 及以下3. Transformers 原生支持的 PTQ 算法算法类型位宽核心能力适用场景GPTQ4bit/8bit按通道量化精度最优大模型离线量化、生产部署AWQ4bit激活感知量化比 GPTQ 更快主流开源大模型量化FP88bit硬件原生支持几乎无精度损失高端 GPUH100/A100INT8 静态 / 动态量化8bitCPU/GPU 通用无依赖轻量模型、边缘设备官方推荐优先级GPTQ AWQ INT8 FP84. 原生使用示例GPTQ 4bit PTQfrom transformers import AutoModelForCausalLM, AutoTokenizer # 一行代码加载 4bit PTQ 量化模型 model AutoModelForCausalLM.from_pretrained( Qwen/Qwen-7B-Chat, # 核心量化配置 quantization_config{ load_in_4bit: True, # 4bit 量化 bnb_4bit_use_double_quant: True, bnb_4bit_quant_type: nf4, # 推荐量化类型 bnb_4bit_compute_dtype: bf16 }, device_mapauto, trust_remote_codeTrue ) tokenizer AutoTokenizer.from_pretrained(Qwen/Qwen-7B-Chat) # 推理和原始模型完全一致 inputs tokenizer(你好, return_tensorspt).to(cuda) print(model.generate(**inputs, max_new_tokens50))5. PTQ 关键流程加载预训练模型FP16/BF16传入少量校准数据GPTQ/AWQ 自动完成计算 Scale/Zeropoint权重转换为 INT4/INT8 并保存量化模型推理三、QAT量化感知训练1. 核心定义训练中模拟量化噪声让模型适应低精度是精度最优的量化方案。2. 特点✅ 优点精度无限接近原始 FP16 模型支持极低比特稳定推理结合 LoRA 成本极低❌ 缺点需要少量训练数据 微调耗时比 PTQ 长小时级3. Transformers 原生 QAT 能力完美集成Trainer训练框架支持GPTQ-AWQ-QAT混合量化支持LoRAQAT轻量微调自动处理量化节点插入、梯度回传4. 原生使用示例LoRA QAT 4bitfrom transformers import AutoModelForCausalLM, AutoTokenizer, TrainingArguments from peft import LoraConfig, get_peft_model import torch # 1. 加载基础模型 4bit 量化 model AutoModelForCausalLM.from_pretrained( Llama-2-7b-chat-hf, quantization_config{load_in_4bit: True, bnb_4bit_quant_type: nf4}, device_mapauto ) tokenizer AutoTokenizer.from_pretrained(Llama-2-7b-chat-hf) # 2. 开启 QAT LoRA model.quantization_config.qat True # 开启量化感知训练 lora_config LoraConfig(r8, lora_alpha32, target_modules[q_proj, v_proj]) model get_peft_model(model, lora_config) # 3. 训练标准 Trainer 流程 training_args TrainingArguments( output_dir./qat_model, per_device_train_batch_size2, num_train_epochs1, learning_rate1e-4 ) # 4. 训练完成后模型已适配量化推理精度大幅提升5. QAT 关键流程初始化量化模型PTQ 基础上插入伪量化节点模拟 INT8/4 计算用任务数据微调模型模型学习抵消量化误差导出纯量化模型高速推理四、PTQ vs QAT 全面对比维度PTQQAT训练需求❌ 无需✅ 需要少量微调精度一般4bit 有损失极高接近 FP16速度极快秒级较慢小时级代码成本一行代码简单训练代码显存占用极低低LoRA 量化推荐场景快速部署、测试、边缘设备生产环境、高要求精度场景Transformers 支持✅ 完全原生✅ 原生集成 Trainer五、Transformers 量化最佳实践1. 快速部署 → 用 PTQGPTQ 4bit一行load_in_4bitTrue搞定适合 7B~70B 大模型推理2. 高精度部署 → 用 QATPTQ 量化 → LoRAQAT 微调 → 部署精度损失 1%显存降低 75%3. 硬件适配CPU / 低端 GPUINT8 PTQ中端 GPU4bit GPTQ PTQ高端 GPU4bit QAT / FP84. 必开优化quantization_config { load_in_4bit: True, bnb_4bit_quant_type: nf4, # 最优量化类型 bnb_4bit_use_double_quant: True, # 二次量化提升精度 }六、总结PTQ训练后量化零训练成本、速度快适合快速落地QAT量化感知训练精度最高适合生产环境Transformers 原生一行 API 实现量化兼容全生态最佳组合PTQ 快速量化 QAT 微调提升精度关键点回顾PTQ无需训练、极速量化、精度一般适合快速部署QAT模拟量化噪声训练、精度极高、适合生产Transformers 原生支持GPTQ/AWQ/INT8/FP8开箱即用优先使用4bit nf4 量化平衡速度、显存、精度