Saltar al contenido principal

Cuantización

La cuantización reduce el uso de memoria usando menor precisión para pesos del modelo.

Inicio Rápido

Python API

Opciones de Cuantización

Tareas Soportadas

La cuantización está disponible para:

4-bit (QLoRA)

Máximo ahorro de memoria:

8-bit

Mejor calidad, menos ahorro:

Requisitos de Memoria

Llama 3.2 8B

Gemma 2 27B

Mejores Prácticas

Usa con LoRA

La cuantización requiere que PEFT/LoRA esté habilitado:
La cuantización solo funciona cuando peft=True. Sin PEFT habilitado, la configuración de cuantización será ignorada.

Ajusta la Tasa de Aprendizaje

El entrenamiento cuantizado a menudo se beneficia de una tasa de aprendizaje mayor que la por defecto (3e-5):

Usa Flash Attention

Combina con Flash Attention para velocidad:

Inferencia con Modelos Cuantizados

Carga modelos cuantizados para inferencia:

Requisitos de Plataforma

La cuantización solo funciona en Linux. La biblioteca bitsandbytes requerida para cuantización int4/int8 está disponible solo en sistemas Linux.

Nota sobre Apple Silicon (MPS)

La cuantización no es compatible con Apple Silicon MPS. Cuando usas cuantización en un Mac con M1/M2/M3:
  • El entrenamiento automáticamente vuelve a CPU
  • Verás un mensaje de advertencia explicando esto
  • Para entrenamiento más rápido en Mac, omite la cuantización y usa solo LoRA
Variables de entorno para control manual:
  • AUTOTRAIN_DISABLE_MPS=1 - Forzar entrenamiento en CPU
  • AUTOTRAIN_ENABLE_MPS=1 - Forzar MPS incluso con cuantización (puede fallar)

Consideraciones de Calidad

La cuantización reduce ligeramente la calidad. Para aplicaciones críticas:
  1. Prueba en tu tarea específica
  2. Compara con línea base de precisión completa
  3. Considera 8-bit si la calidad importa más

Próximos Pasos

LoRA/PEFT

Fine-tuning eficiente

Flash Attention

Optimizaciones de velocidad