Квантизация LLM: делаем модели легче в 4 раза

Введение

Современные языковые модели (LLM) содержат миллиарды параметров, что создает огромные требования к вычислительным ресурсам. Например:

• BERT: <1 млрд параметров

• GPT-2: >1 млрд параметров

• GPT-3: сотни млрд параметров

• DeepSeek: 671 млрд параметров

Такие модели сложно запускать не только на домашних компьютерах, но даже на серверах среднего уровня. Квантизация – это метод уменьшения размера моделей для более эффективного использования памяти ^[1].

📊 Форматы хранения чисел в нейросетях

Стандартные форматы

Квантизированные форматы

💡 Существуют даже эксперименты с квантизацией до 2 бит и 1 бита!

🔄 Как работает квантизация

Квантизация преобразует числа с плавающей запятой в целочисленный формат с меньшей точностью.

1. Определяются границы (min/max) для весов модели

2. Все веса за пределами этих границ обрезаются до крайних значений:

   • Все значения > max → 127

   • Все значения < min → -128

3. Остальные значения распределяются по диапазону от -128 до 127 (для INT8)

4. Более частые значения получают более плотное распределение

Проблемы квантизации

• Модель может выдавать некорректные результаты

• Модель может зацикливаться

• Потеря точности

QAT (Quantization-Aware Training)

Современный подход, при котором модель на этапе обучения ^[2] “знает”, что будет квантизирована, что позволяет сохранить качество работы.

📁 GGUF формат

GGUF – популярный формат для хранения квантизированных моделей, разработанный создателем Llama.cpp.

Структура GGUF файла

- Магические байты (4 байта)
- Версия (сейчас v3)
- Количество тензоров
- Метаданные (пары ключ-значение)
- Тензоры
- Контрольная сумма

Преимущества GGUF

• ✅ Один файл содержит всё необходимое (веса, метаданные, токенизатор)

• ✅ Memory mapping для быстрой загрузки моделей

• ✅ Удобное хранение метаданных

• ✅ Встроенная поддержка различных типов квантизации

🚀 Пример: Квантизация DeepSeek

DeepSeek – крупная языковая модель с 671 млрд параметров:

• Оригинальный размер: 720 ГБ

• После квантизации до 1.58 бит: 131 ГБ

Особенности 1.58-битной квантизации

• Используются только 3 значения: -1, 0, 1

• log₂(3) ≈ 1.58 бита

• Не все слои квантизируются одинаково (иначе модель зацикливается)

Требования для запуска

• Минимум 20 ГБ оперативной памяти

• 131+ ГБ свободного места на диске

• Для комфортной работы: сумма RAM + VRAM ≥ 80 ГБ

Производительность

• На CPU: очень медленно, но работает

• RTX 4090 (24 ГБ VRAM): ~9-10 токенов/сек

• Две H100: 13-14 токенов/сек (1 пользователь) или до 140 токенов/сек (много пользователей)

📈 Сравнение качества

Интересный эксперимент: модель написала игру в стиле Flappy Bird до и после квантизации:

• Оригинальная модель: код запускается, есть различные фигуры, подсчет очков

• Квантизированная до 1.58 бит: практически такое же качество!

Заключение

Квантизация – мощный метод для уменьшения размера LLM без значительной потери качества. С развитием техник квантизации всё более крупные модели становятся доступными для запуска на обычном оборудовании.