A Comprehensive Study on Quantization Techniques for Large Language Models

本文是LLM系列文章，针对《A Comprehensive Study on Quantization Techniques for Large Language Models》的翻译。

摘要

自从 Transformer 模型流行起来以来，大型语言模型 (LLM) 在学术界和工业界得到了广泛的研究和使用，并在人工智能领域表现出了优异的性能。然而，LLM的计算需求巨大，而运行它们所需的能源通常是有限的。例如，像 GPT-3 这样的流行模型具有 1750 亿个参数和 350 GB 的存储需求，这给资源有限的物联网设备和嵌入式系统的部署带来了巨大的挑战。这些系统通常缺乏处理如此大型模型的计算能力。量化是一种将模型值的精度降低为较小的离散值集的技术，通过减小 LLM 的大小并加速推理，提供了一种有前途的解决方案。在这项研究中，我们对机器学习领域的量化技术进行了全面分析，特别关注它们在LLM中的应用。我们首先探索量化的数学理论，然后回顾常见的量化方法及其实现方式。此外，我们研究了应用于LLM的几种著名的量化方法，详细介绍了它们的算法和性能结果。

1 引言

2 阈值映射

3 量化粒度

4 量化技术

5 量化校准

6 LLMS 中的量化方法分析

7 结论

自从 Transformer 模型流行起来以来，大型语言模型 (LLM) 在学术界和工业界得到了广泛的研究和使用，并在人工智能领域表现出了优异的性能。然而，LLM的计算需求巨大，而运行它们所需的能源通常是有限的。例如，像 GPT-3 这样