我们在谈论AI大模型时，一方面会为其在逻辑推理、问题回答等各种任务中的表现出色而惊叹，另一方面也会为其巨大存储和海量计算而“头疼”。模型尺寸的不断增长确实给模型部署带来了极大的挑战，动辄几十GB，上百GB甚至上千GB的存储量，昂贵的硬件资源需求不仅让普通用户难以企及，企业用户也常常面临挑战。
在保持模型能力的前提下，如何降低模型存储需求，如何降低模型计算时延，是模型开发者和性能优化专家研究的热点问题，而模型量化压缩优化是解决这些问题的最重要的手段之一。量化效果好不好，跟原始数据的分布紧密相关，如果原始数据中存在outlier离群值，直接量化往往无法兼顾所有数据，量化效果通常会比较差。量化压缩算法通过各种方式来调整数据分布或调整量化方式，来提升最终的量化效果。AWQ/GPTQ算法对模型权重进行压缩，在保持网络精度的同时，可以将模型权重压缩到4bit，相比BF16数据模型权重参数量降低75%；SmoothQuant对激活和权重都做压缩，通过硬件更高效的低比特矩阵乘运算，不仅拿到了内存收益，同时降低了端到端的时延，提升了系统吞吐。AMCT模型压缩工具，将这些算法集成到工具中，开发者拿来即用，可以满足仅权重量化，激活权重量化等不同场景的使用需求。
对模型优化的开发者来说，硬件资源通常比较有限，如何在有限的硬件资源中高效完成模型压缩的全过程，也是开发者重点关注的问题。AMCT提供的逐block量化的算法，将模型拆分成小的量化模块单元，每个量化模块都可以单独执行量化校准过程。这些量化模块可以分配在不同的NPU卡上并行执行，大大提升了开发效率；即使开发者只有一张NPU卡，通过分块执行的方式也可以完成DeepSeek-V3.2这种尺寸规模的模型量化。MoE模型因为每个专家在模型中热度不同，整网的量化校准需要很多量化校准数据才能覆盖全部专家，逐block量化对于提升MoE模型的量化效率特别有帮助。
此外，AMCT工具简单易用，它是基于PyTorch框架做模型压缩，开发者只需要调用2,3个简单的python接口就可以完成模型压缩。量化配置的方法也很灵活，开发者可自行修改量化配置文件，调整压缩策略，获取较优的压缩结果。
参照上图，通过3步完成模型“瘦身”：
1. 准备好量化配置，调用amct.quantize接口，将原始模型转换成量化校准模型。
2. 准备好校准数据集，对量化校准模型进行校准推理，得到量化参数。
3. 调用amct.convert接口，将量化模型转换成昇腾亲和的部署模型。
欢迎关注昇腾CANN公众号，及时获取直播时间与观看链接，相信通过这次直播，大家会对AMCT的使用有更深入的了解，也能够在今后的开发工作中充分发挥它们的强大威力，为昇腾芯片的应用开发带来更多的创新和突破！
)
)
