微软开源爆火1bit大模型推理框架!千亿参数模型量化后单CPU可跑
巴黎奥运结束后,国乒也进入了新的备战周期。除了球员之间的激烈竞争之外,教练也是压力山大。那么,如果来一个排序的话,谁的压力最大呢?个人觉得肖战第一、邱贻可第二、徐辉排第三。下面来说说其中的理由: ....
西风 发自 凹非寺
量子位 | 公众号 QbitAI
微软开源1bit大模型推理框架!
现在1000亿参数大模型量化后单CPU可跑,速度可达每秒5-7个token。
比如在苹果M2新品上运行BitNet b1.58 3B模型,be like:
就是今年爆火论文The Era of 1-bit LLMs的 代码实现,开源不到一周GitHub已揽获7.9k Star。
传统大模型参数以16位浮点数(如FP16或BF16)形式的存储,而BitNet b1.58将其统统变成了三进制,也就是 {-1, 0, 1}。
这里的“1.58 bit”指每个参数可以用1.58位的信息来表示。
转换之后,矩阵中的计算就只会涉及到加法,因此会让大模型在保持一定精度的同时,显著减少所需的存储空间和计算资源,也显著提升了在本地设备上运行LLM的可能性。
这个项目开源后,在X上也受到了一波高度关注。
bitnet.cpp是1bit LLM(例如 BitNet b1.58)的 推理框架。
该框架配备了一系列优化内核,支持在CPU上进行快速且无损的1.58bit模型推理,未来将扩展支持NPU和GPU。
bitnet.cpp的首版主要支持CPU推理。
具体性能改进方面,在ARM CPU上,该框架可实现1.37至5.07倍的加速,而且更大的模型将有更显著的性能提升。
同时,它能将能耗降低55.4%至70.0%,进一步增 率。
在x86 CPU上,加 果介于2.37至6.17倍之间,能耗减少71.9%至82.2%。
网友们也发现了华点,在x86上的性能增益量比ARM更大。
此外,bitnet.cpp能使千亿参数模型量化后单CPU可跑,速度可达每秒5-7个token,接近人类阅读速度。
微软还展示了使用bitnet.cpp推理框架支持的不同1 bit LLM。
1 bit LLM的实现方法,微软在一年前就有相关研究,称为BitNet(一种Tran ormer),用BitLinear替换了nn.Linear。
今年二月,BitNet原班人马在上一篇论文的基础之上做了优化,提出BitNet b1.58,在原始BitNet的基础上增 一个额外的0值。
然后这篇内容只有6页的论文引发热议:
BitNet b1.58模型的权重被量化为三元值{-1, 0, 1},相当于在二进制系统中使用了1.58 bit来表示每个权重。
采用了ab ean量化函数来约束权重,将权重矩阵通过其平均绝对值进行缩放,然后四舍五入到最接近的整数值(-1、0或1)。
量化中, 值被缩放到[−Qb, Qb]的范围,以此来 零点量化。
在架构设计上,BitNet b1.58借鉴了Llama,使用了RMSNorm、SwiGLU、旋转位置编码等组件,并移除了所有偏置项。这种设计使其能够轻松集成到主流的开源框架中。
实验中,与Llama相比,BitNet b1.58在矩阵乘法方面节省了71.4倍的计算能耗。
这种方法发布后,也有不少人在这项研究的基础之上进行探索。
其中一个问题是,BitNet b1.58将每个参数仅用三元值表示,但是所有这些都需要从头开始训练模型,并不是谁都有预算来进行LLM预训练。
而Huggingface Tran ormers最近整合了BitNet b1.58,运用了一些技巧,使得现有模型可以直接微调到1.58bit。
感兴趣的童鞋可以自行查阅。
不过也有网友指出了这种方法的局限:
总之,1 bit LLM具有巨大的潜力。
但也正如网友所言,1 bit LLM关键还得是能在实践中证明自己。
参考链接:
[1]https://github.com/microsoft/BitNet
[2]https://x.com/rohan ul_ai/st us/1847814379657462201
[3]https://x.com/rohan ul_ai/st us/1848172443258728860?s=46&t=iTysI4vQLQqCNJjSmBODPw
[4]https://huggingface.co/blog/zh/1_58_llm_extreme_quantiz ion