量化
量化通过使用较低精度存储模型权重来减少内存使用。快速开始
Python API
量化选项
支持的任务
量化可用于:4-bit (QLoRA)
最大内存节省:8-bit
更好的质量,节省较少:内存要求
Llama 3.2 8B
Gemma 2 27B
最佳实践
与 LoRA 一起使用
量化需要启用 PEFT/LoRA:调整学习率
量化训练通常受益于比默认值(3e-5)更高的学习率:
使用 Flash Attention
与 Flash Attention 结合以提高速度:使用量化模型进行推理
加载量化模型进行推理:平台要求
Apple Silicon (MPS) 注意事项
量化与 Apple Silicon MPS 不兼容。在 M1/M2/M3 Mac 上使用量化时:- 训练自动回退到 CPU
- 您会看到解释此情况的警告消息
- 要在 Mac 上更快训练,请跳过量化并仅使用 LoRA
AUTOTRAIN_DISABLE_MPS=1- 强制 CPU 训练AUTOTRAIN_ENABLE_MPS=1- 即使使用量化也强制 MPS(可能崩溃)
质量考虑
量化确实会略微降低质量。对于关键应用:- 在您的特定任务上测试
- 与全精度基线进行比较
- 如果质量更重要,考虑使用 8-bit
下一步
LoRA/PEFT
高效微调
Flash Attention
速度优化