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: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
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
AUTOTRAIN_DISABLE_MPS=1- Forzar entrenamiento en CPUAUTOTRAIN_ENABLE_MPS=1- Forzar MPS incluso con cuantización (puede fallar)
Consideraciones de Calidad
La cuantización reduce ligeramente la calidad. Para aplicaciones críticas:- Prueba en tu tarea específica
- Compara con línea base de precisión completa
- Considera 8-bit si la calidad importa más
Próximos Pasos
LoRA/PEFT
Fine-tuning eficiente
Flash Attention
Optimizaciones de velocidad