GPTQによる4ビット量子化

4ビット量子化 by GPTQ

AutoGPTQを使用して独自のLLMを量子化する

重み量子化の最近の進歩により、私たちはGPTQ、GGML、およびNF4のような性能低下が最小限の4ビット量子化技術を使用して、LLaMA-30BモデルをRTX 3090 GPU上の一般消費者向けハードウェアで実行することができるようになりました。

前の記事では、素朴な8ビット量子化技術と優れたLLM.int8()を紹介しました。今回の記事では、人気のあるGPTQアルゴリズムを探求し、AutoGPTQライブラリを使用して実装してみます。

コードはGoogle ColabとGitHubで見つけることができます。

🧠 最適な脳量子化

まず、解決しようとしている問題を紹介しましょう。ネットワークの各層ℓに対して、元の重みWₗの量子化バージョンŴₗを見つけたいとします。これを層ごとの圧縮問題と呼びます。具体的には、性能低下を最小限に抑えるために、これらの新しい重みの出力（ŴᵨXᵨ）が元の出力（WᵨXᵨ）にできるだけ近くなるようにしたいとします。つまり、次のようなものを見つけたいとします：

• 「AIがまだすぐには置き換えられない8つの仕事」
• 実践的なプロンプトエンジニアリング
• 「AIにおける説明可能性の勾配の必要性」

この問題を解決するためにはさまざまなアプローチが提案されていますが、ここでは最適な脳量子化（OBQ）フレームワークに興味があります。

このメソッドは、完全にトレーニングされた密なニューラルネットワークから重みを慎重に削除するための剪定技術（Optimal Brain Surgeon）に触発されています。これは近似技術を使用し、最良の単一の重みw𐞥を削除するための明示的な式と、残りの非量子化された重みFを調整するための最適な更新δꟳを提供します：

ここで、quant(w)は量子化による重みの丸めを表し、Hꟳはヘッシアンです。

OBQを使用することで、最も簡単な重みを最初に量子化し、その精度損失を補うために残りの非量子化重みFを調整します。次に、次の重みを量子化し、以降の作業を続けます。

We will continue to update VoAGI; if you have any questions or suggestions, please contact us!