Meta开源首个量化模型Llama 3.2：减少40%内存，效率提升2倍以上

493 0 0

文章摘要

Meta公司最近开源了一款名为Llama 3.2的轻量级量化版大语言模型，提供10亿和30亿两种参数规模的版本。这款模型经过特别优化，以适应手机、平板和笔记本等移动设备。通过使用LoRA适配器的量化感知训练和SpinQuant技术，Llama 3.2在减少内存使用和模型规模的同时，推理效率提升了2到4倍。例如，在一加12手机上，解码延迟提高了2.5倍，预填充延迟提高了4.2倍。

Llama 3.2的架构基于标准的Transformer结构，对线性层进行了特定的量化处理，采用4位组方式量化权重，并对激活进行8位每标记动态量化。分类层则量化为8位每通道的权重和8位每标记的动态激活量化，同时使用了8位每通道量化用于嵌入。

模型优化方面，LoRA适配器量化感知训练和SpinQuant两种技术被用于提升性能。LoRA适配器量化在初始化量化感知训练时，使用经过有监督微调的BF16 Llama 3.2模型检查点，进行额外一轮带有量化感知训练的有监督微调训练。然后冻结量化感知训练模型的主干，再使用低秩自适应的LoRA适配器对所有层进行另一轮有监督微调。而SpinQuant则通过学习旋转矩阵来平滑数据中的异常值，促进更有效的量化。

Llama 3.2虽然参数规模较小，但支持128k tokens的上下文长度，这对于移动端处理长文本至关重要。Meta公布的测试数据显示，量化后的Llama 3.2在多个主流基准测试中性能并未减少，甚至能与Llama 3 8B的性能相媲美，展现了其高性能低消耗的特点。开源地址为：https://huggingface.co/collections/meta-llama/llama-32-66f448ffc8c32f949b04c8cf。