AWQ: 提升大语言模型推理效率的激活感知权重量化技术

Ray

2024年9月5日 10:41

AWQLLM模型量化视觉语言模型边缘设备Github开源项目

AWQ: 激活感知的权重量化技术

随着大语言模型(Large Language Models, LLMs)规模的不断扩大,如何高效部署这些模型以降低计算和内存开销已成为亟待解决的问题。近期,由麻省理工学院韩松教授团队提出的 AWQ (Activation-aware Weight Quantization) 技术为此提供了一个优秀的解决方案。AWQ 是一种创新的权重量化方法,通过考虑激活值的分布来实现模型的高效压缩和加速,同时保持模型性能。本文将详细介绍 AWQ 的核心思想、技术特点以及在各类大语言模型上的应用效果。

AWQ 的核心思想

传统的权重量化方法通常基于权重自身的大小进行量化,而忽略了权重在实际推理过程中的重要性。AWQ 的创新之处在于引入了"激活感知"的概念,即在量化过程中考虑权重对应的激活值分布。

具体来说,AWQ 的核心思想包括:

权重激活幅度: AWQ 发现,在大型 Transformer 模型中,少数特征具有较大的激活幅度,对模型性能至关重要。因此,AWQ 优先保留这些"显著参数",而不是简单地基于权重大小进行量化。
混合精度实现: 为了避免保留部分全精度权重带来的实现复杂性,AWQ 提出了一种巧妙的方法 - 对应于主要特征的权重通道进行缩放,使其在整数量化后仍能保持较高的精度。

AWQ 的技术特点

高效压缩: AWQ 支持将模型权重量化至 3 位或 4 位整数,大幅降低模型存储空间和内存占用。
精度保持: 得益于其激活感知的设计,AWQ 在低比特量化的同时能够很好地保持模型性能,相比传统量化方法精度损失更小。
广泛适用性: AWQ 可应用于各种类型的大语言模型,包括指令微调模型和多模态模型,具有很强的通用性。
易于部署: AWQ 量化后的模型可直接用于推理,无需额外的反量化步骤,有利于在各种硬件平台上高效部署。

AWQ 在大语言模型上的应用

AWQ 技术已在多个主流大语言模型系列上进行了验证,包括:

LLaMA 系列 (LLaMA, LLaMA 2, LLaMA 3)
OPT
Vicuna
CodeLlama
StarCoder
VILA (视觉语言模型)

研究结果表明,AWQ 在这些模型上均取得了出色的压缩效果和推理加速,同时保持了接近原模型的性能。

AWQ overview

AWQ 的性能提升

以 VILA-1.5 模型系列为例,AWQ 量化后的模型在各项评测任务上均表现出色:

模型	精度	VQA-v2	GQA	VizWiz	ScienceQA	TextVQA
VILA-1.5-13B	FP16	82.8	64.3	62.6	80.1	65.0
VILA-1.5-13B	AWQ-INT4	82.7	64.5	63.3	79.7	64.7

可以看到,4 位整数量化后的模型性能与原 FP16 模型几乎相当,个别任务甚至有小幅提升。

在推理速度方面,AWQ 也带来了显著提升:

模型	精度	A100 GPU (tokens/s)	RTX 4090 (tokens/s)	Jetson Orin (tokens/s)
VILA1.5-13B	FP16	50.9	OOM	6.1
VILA1.5-13B	AWQ-INT4	115.9	105.7	20.6

AWQ 量化后,模型在各类硬件平台上的推理速度均有大幅提升,尤其是在内存受限的设备上,能够成功运行原本无法加载的大型模型。

AWQ 的实际应用

基于 AWQ 技术,研究团队开发了 TinyChat 系统,实现了大语言模型在边缘设备上的高效部署。例如,在 NVIDIA Jetson Orin 上,TinyChat 可以实现 38 tokens/s 的推理速度,使得在资源受限的边缘设备上运行大型语言模型成为可能。

TinyChat on Orin

此外,AWQ 还支持多模态大语言模型的量化和加速。下图展示了 AWQ 量化后的 VILA 模型在 Jetson Orin 上进行多图像输入推理的效果:

TinyChat with VILA on Orin

AWQ 的影响力

AWQ 技术的出色表现已引起学术界和工业界的广泛关注。目前,AWQ 已被集成到多个主流的 AI 框架和平台中,包括:

Google Vertex AI
Amazon SageMaker
NVIDIA TensorRT-LLM
Hugging Face Transformers
Intel Neural Compressor
vLLM

这些集成进一步推动了 AWQ 在实际生产环境中的应用,为大语言模型的高效部署提供了有力支持。

总结与展望

AWQ 技术为大语言模型的压缩和加速提供了一种高效、通用的解决方案。通过巧妙地利用激活值分布信息,AWQ 在保持模型性能的同时,实现了显著的存储节省和推理加速。这一技术不仅适用于各类文本大语言模型,还可扩展到多模态模型,展现出广阔的应用前景。

随着 AWQ 不断发展和优化,我们可以期待看到更多基于该技术的创新应用,如更高效的边缘 AI 系统、资源受限设备上的大模型部署等。AWQ 的成功也为我们提供了一个重要启示:在模型压缩和加速领域,考虑模型在实际推理过程中的行为特征,往往能带来比单纯关注模型参数更好的效果。

未来,AWQ 技术有望进一步推动大语言模型在更广泛的场景中的应用,为 AI 技术的普及和创新注入新的动力。研究者们也将继续探索如何将 AWQ 的思想扩展到其他类型的深度学习模型,以及如何进一步提高量化效果和推理效率。

如果你对 AWQ 技术感兴趣,可以访问 AWQ GitHub 仓库了解更多技术细节和使用方法。AWQ 的出现无疑为大语言模型的高效部署开辟了新的道路,让我们拭目以待它在未来会带来更多令人兴奋的突破和应用。

编辑推荐精选

Manus

全面超越基准的 AI Agent助手

Manus 是一款通用人工智能代理平台，能够将您的创意和想法迅速转化为实际成果。无论是定制旅行规划、深入的数据分析，还是教育支持与商业决策，Manus 都能高效整合信息，提供精准解决方案。它以直观的交互体验和领先的技术，为用户开启了一个智慧驱动、轻松高效的新时代，让每个灵感都能得到完美落地。

飞书知识问答

飞书官方推出的AI知识库上传word pdf即可部署AI私有知识库

基于DeepSeek R1大模型构建的知识管理系统，支持PDF、Word、PPT等常见文档格式解析，实现云端与本地数据的双向同步。系统具备实时网络检索能力，可自动关联外部信息源，通过语义理解技术处理结构化与非结构化数据。免费版本提供基础知识库搭建功能，适用于企业文档管理和个人学习资料整理场景。

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境（IDE），通过自动化和多元协作改变开发流程。利用Trae，团队能够更快速、精确地编写和部署代码，从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能，是提升开发效率的理想工具。

TraeAI IDE协作生产力转型热门AI工具

酷表ChatExcel

大模型驱动的Excel数据处理工具

基于大模型交互的表格处理系统，允许用户通过对话方式完成数据整理和可视化分析。系统采用机器学习算法解析用户指令，自动执行排序、公式计算和数据透视等操作，支持多种文件格式导入导出。数据处理响应速度保持在0.8秒以内，支持超过100万行数据的即时分析。

使用教程AI工具酷表ChatExcelAI智能客服AI营销产品

DeepEP

DeepSeek开源的专家并行通信优化框架

DeepEP是一个专为大规模分布式计算设计的通信库，重点解决专家并行模式中的通信瓶颈问题。其核心架构采用分层拓扑感知技术，能够自动识别节点间物理连接关系，优化数据传输路径。通过实现动态路由选择与负载均衡机制，系统在千卡级计算集群中维持稳定的低延迟特性，同时兼容主流深度学习框架的通信接口。

DeepSeek

全球领先开源大模型，高效智能助手

DeepSeek是一家幻方量化创办的专注于通用人工智能的中国科技公司，主攻大模型研发与应用。DeepSeek-R1是开源的推理模型，擅长处理复杂任务且可免费商用。

KnowS

AI医学搜索引擎整合4000万+实时更新的全球医学文献

医学领域专用搜索引擎整合4000万+实时更新的全球医学文献，通过自主研发AI模型实现精准知识检索。系统每日更新指南、中英文文献及会议资料，搜索准确率较传统工具提升80%，同时将大模型幻觉率控制在8%以下。支持临床建议生成、文献深度解析、学术报告制作等全流程科研辅助，典型用户反馈显示每周可节省医疗工作者70%时间。

Windsurf Wave 3

Windsurf Editor推出第三次重大更新Wave 3

新增模型上下文协议支持与智能编辑功能。本次更新包含五项核心改进：支持接入MCP协议扩展工具生态，Tab键智能跳转提升编码效率，Turbo模式实现自动化终端操作，图片拖拽功能优化多模态交互，以及面向付费用户的个性化图标定制。系统同步集成DeepSeek、Gemini等新模型，并通过信用点数机制实现差异化的资源调配。

AI IDE