English

量化

FastDeploy支持FP8、INT8、INT4、2-bit等多种量化推理精度，支持模型权重、激活和KVCache 3种张量的不同精度推理，可以满足低成本、低时延、长上下文等不同场景的推理需求。

1. 精度支持列表

量化方法	权重精度	激活精度	KVCache精度	在线/离线	支持硬件
WINT8	INT8	BF16	BF16	在线	GPU, XPU
WINT4	INT4	BF16	BF16	在线	GPU, XPU
block_wise_fp8	block-wise static FP8	token-wise dynamic FP8	BF16	在线	GPU
WINT2	2Bits	BF16	BF16	离线	GPU
MixQuant	INT4/INT8	INT8/BF16	INT8/BF16	离线	GPU, XPU

说明

1. 量化方法：对应量化配置文件中的"quantization"字段；
2. 在线/离线量化：主要用于区分权重的量化时间
   • 在线量化：推理引擎在加载 BF16 权重后，再对权重做量化；
   • 离线量化：在推理之前，将权重离线地量化并存储为低比特数值类型，推理时，加载量化后的低比特数值。
3. 动态量化/静态量化：主要用于区别激活的量化方式
   • 静态量化（static）：在推理之前，确定并存储量化系数，推理时加载提前计算好的量化系数。因为量化系数在推理时是固定不变的，所以叫静态量化（static quantization）；
   • 动态量化（dynamic）：在推理时，即时地统计当前batch的量化系数。因为量化系数在推理时是动态地变化的，所以叫动态量化（dynamic quantization）。

2. 模型支持列表

模型名称	支持量化精度
ERNIE-4.5-300B-A47B	WINT8, WINT4, Block_wise= FP8, MixQuant

3. 量化精度术语

FastDeploy 按以下格式命名各种量化精度：

{tensor缩写}{数值类型}{tensor缩写}{数值类型}{tensor缩写}{数值类型}

部分示例如下：

• W8A8C8：W=weights，A=activations，C=CacheKV；8默认为INT8
• W8A8C16：16默认为BF16，其它同上
• W4A16C16 / WInt4 / weight-only int4：4默认为INT4
• WNF4A8C8：NF4指4bit norm-float数值类型
• Wfp8Afp8：权重和激活均为FP8精度
• W4Afp8：权重为INT4, 激活为FP8