Paper地址：https://arxiv.org/abs/2208.07339
GitHub链接：GitHub - TimDettmers/bitsandbytes: 8-bit CUDA functions for PyTorch
随着模型参数规模的增加，大模型（如GPT-3，OPT-175B等NLP稠密大模型）的实际部署应用，需要消耗一定的计算/存储资源，且推理响应延迟存在限制，例如：基于Triton的分布式并行推理，OPT-175B部署在8张A100设备上时，推理延迟约400ms（Batch size=1）。
模型量化是实现模型压缩与推理加速的常用技术手段，但由于大模型本身巨大的参数规模，首先权重矩阵与特征张量的维度都很高，对权重与特征都直接采用Per-tensor量化会造成较大的估计失偏，无法较好还原实际的数据分布。其次，异常值（Outliers）对模型量化后的预测精度也会造成很大影响，当NLP稠密大模型的参数规模在6.7B时，尽管异常值的占比仅占0.1%，但将这些异常值都置零，会直接导致预测精度劣化20%。
如上图所示，本文提出的自适应混合精度量化方法（命名为LLM.int8，是一种训练后量化方法），通过将Vector-wise量化与混合精度分解（Mixed-precision Decomposition Scheme）相结合，能够有效的分区域设置量化分辨率，并消除异常值对模型量化带来的负面影响：
- Vector-wise量化：将特征与权重分别按行与列，划分为不同的Vector区域，各自计算量化参数。将特征与权重转换为INT8整数后，量化计算过程执行Inner-product，输出INT32乘累加结果（INT8->INT32）；反量化计算过程执行Outer-product，将INT32结果还原为FP16精度（INT32->FP16）。具体如下（采用对称量化形式）：
- 混合精度分解：对于异常值所在区域（Vector-wise area），按FP16数值精度执行Inner-product，计算结果累加到Vector-wise量化结果：
通过自适应混合精度量化，能有效提升大模型的量化精度保持效果，并减少推理部署的资源成本：