动态量化与混合精度推理——延迟与吞吐的最优平衡策略
一、量化决策的两难：一刀切方案为什么在生产中翻车
模型量化是把 FP32 或 FP16 的模型权重转换到更低精度（INT8、INT4、甚至 INT2）表示的过程。从理论上讲，量化能在几乎不损失精度的前提下将模型大小缩减为原来的 1/4 到 1/8，推理速度提升 2~4 倍。但在生产系统中，"一刀切"的量化策略往往以失败告终。
原因在于不同层的权重分布、激活值范围和对精度损失的敏感度差异巨大。以典型的 Transformer 架构为例：Feed-Forward Network 的权重分布集中在 -0.1 到 0.1 之间，量化到 INT8 几乎没有信息丢失；而attention 层的 Q/K/V 投影矩阵的权重分布具有长尾特征，少数权重值远离均值 3~5 个标准差，量化后这些关键权重被截断，导致 attention scores 的分布偏移，最终表现为模型输出质量的可感知下降。
本文探讨如何通过动态量化和混合精度策略，在保持推理质量的前提下最大化压缩收益。
二、混合精度推理的架构：不是所有层都必须降级
graph TB A[原始 FP16 模型] --> B{每层敏感度分析} B -->|Hessian 谱分析| C[Attention 层<br/>高敏感度] B -->|Hessian 谱分析| D[FFN 层<br/>中等敏感度] B -->|Hessian 谱分析| E[Embedding 层<br/>低敏感度] B -->|Hessian 谱分析| F[LM Head<br/>中等敏感度] C -->|保持| C1[FP16 精度<br/>确保 Attention 质量] D -->|量化| D1[INT4 量化<br/>最大压缩率] E -->|量化| E1[INT8 量化<br/>精度与压缩平衡] F -->|量化| F1[INT8 量化<br/>保持输出分布] C1 --> G[混合精度推理引擎] D1 --> G E1 --> G F1 --> G G --> H{运行时动态反量化} H --> I[INT4→FP16 动态转换] H --> J[INT8→FP16 动态转换] I --> K[FP16 计算核心] J --> K C1 --> K style C fill:#ffcdd2 style D fill:#fff3e0 style E fill:#c8e6c9 style F fill:#fff3e0 style G fill:#e1f5fe2.1 敏感度分析：量化前的必经步骤
在决定每层的量化位宽之前，必须对模型进行敏感度分析。常用的两种方法：
Hessian 矩阵迹分析：观察每层权重矩阵的 Hessian 矩阵特征值分布。特征值越分散（条件数越高），说明该层对权重扰动越敏感。实验数据表明，BERT-Large 的中间层 FFN 权重矩阵的条件数约为 120200，适合 INT4 量化；而 attention 的 Q/K/V 矩阵条件数高达 8001500，需要保留至少 FP16。
逐层精度评估：逐层进行量化→推理→精度评估，测量每层量化后的困惑度（perplexity）下降。如果某层量化导致困惑度上升超过 3%，则不适合该位宽。在一个 Llama-7B 模型的评估中，前 4 层和最后 2 层的 FFN 可以安全量化到 INT4，但中间 24 层中约有 6 层的 FFN 在 INT4 下困惑度上升 5%~8%，需要降回 INT8。
2.2 动态量化：运行时根据输入数据自适应调整
传统的静态量化在模型加载时确定量化参数（scale 和 zero point），运行时不再改变。这种做法在激活值分布稳定的场景中工作良好，但在输入数据变化剧烈时会导致较大的量化误差。
动态量化在每次前向传播时，根据当前 batch 的激活值范围动态计算 scale 和 zero point。额外开销约为总推理时间的 0.5%~1%，但能将激活量化误差降低 30%~50%。
三、GPTQ 与 AWQ 的生产调优对比
3.1 GPTQ——逐列贪心量化
# GPTQ 量化的核心思想：逐列量化权重矩阵，每量化一列后 # 用 Hessian 信息更新剩余未量化列的权重，补偿量化误差 # 这是一种贪心算法，时间复杂度 O(d_col * d_row^2)， # 适合离线一次性完成，不适合在线调整 import torch from transformers import AutoModelForCausalLM, AutoTokenizer # 加载并量化 Llama-3-8B 模型到 INT4 # 注意：GPTQ 需要标定数据（calibration data）来估计 Hessian 矩阵 # 标定数据的质量直接影响量化效果——需要与推理数据同分布 model = AutoModelForCausalLM.from_pretrained( "meta-llama/Llama-3-8B-Instruct", torch_dtype=torch.float16, device_map="auto", ) # GPTQ 量化——group_size 控制量化粒度 # group_size=128 表示每 128 个权重共享一个 scale 值 # 较小的 group_size → 更好精度 → 更多元数据 → 更大内存占用 from auto_gptq import AutoGPTQForCausalLM, BaseQuantizeConfig quantize_config = BaseQuantizeConfig( bits=4, # INT4 量化，每权重占用 4 bits group_size=128, # 128 列一组，共享量化参数 # desc_act=True 表示按激活值从大到小排序后再量化 # 这会让大激活值对应的权重列先被量化并优先补偿 # 代价是推理时 GPU kernel 需要处理非连续内存访问 desc_act=False, # 生产环境建议 False（False → 连续内存访问更高效） ) model_quantized = AutoGPTQForCausalLM.from_pretrained( model, quantize_config=quantize_config, ) # 保存量化后的模型供后续直接加载 model_quantized.save_quantized("./llama-3-8b-gptq-int4")3.2 AWQ——基于激活感知的权重舍入
与 GPTQ 不同，AWQ 不做逐列贪心量化补偿，而是识别出对激活值影响最大的 1% 权重通道，在量化前对这些通道乘以一个放大因子（scale），量化后再除以对应因子。这种做法的计算成本远低于 GPTQ，且不需要 Hessian 矩阵估计。
实测对比：在 Llama-2-70B 模型上，AWQ INT4 的困惑度劣化约 0.3（从 3.12 到 3.42），而 GPTQ INT4 约 0.15。但 AWQ 的量化速度是 GPTQ 的 30 倍（20 分钟 vs 10 小时），且不需要显式的标定数据集。
四、量化方案的矩阵式决策框架
不同场景的选型路径
| 场景 | 推荐方案 | 压缩率 | 精度损失（PPL 上升） |
|---|---|---|---|
| 在线服务，延迟敏感 | AWQ INT4 + FP16 attention | 2.5x | < 0.5 |
| 离线批处理，质量优先 | GPTQ INT4（group_size=64） | 3x | < 0.2 |
| 边缘设备，极致压缩 | HQQ INT4 + INT2 混合 | 4x | 0.5~1.0 |
| 多任务微调 | QLoRA + NF4（正常浮点4） | 3.5x | < 0.3 |
混合精度量化的"踩坑"记录
LM Head 层不可量化到 INT4：输出层的词表投影矩阵（vocab_size × hidden_dim）是产生最终 token 概率分布的关键。量化到 INT4 后 softmax 分布的 argmax 可能产生偏移，造成 token 预测错误。建议保留 FP16 或最低 INT8。
Embedding 层量化到 INT8 需要重新校准：词嵌入矩阵量化后与后续层的交互行为会改变。量化后建议用少量数据（1000
5000 条）进行 12 个 epoch 的微调，使模型适应量化后的嵌入分布。KV Cache 不应参与权重量化：KV Cache 是在推理时动态生成的，与模型权重是两套存储。KV Cache 的压缩应使用 KIVI、CacheGen 等专门方案，与权重量化分开评估。
五、总结
混合精度量化的核心思路是"好钢用在刀刃上"：对精度敏感的层保留高精度，对鲁棒的层大胆压缩。这一策略的实现前提是对模型每层的敏感度有清晰的量化认知——没有数据支撑的"直觉"是不可靠的。
推荐的实践路径：(1) 使用 SensitiveLayerProbe 等工具跑一遍逐层敏感度分析，耗时约 1~2 小时但一劳永逸；(2) 优先尝试 AWQ——量化速度快、内存开销小、与 vLLM 等推理引擎的兼容性最好；(3) 如果 AWQ 精度不满足要求，再投入 GPTQ——用时间换精度；(4) 建立量化的 CI 评估流水线，每次模型升级后自动重跑量化并对比 benchmark 结果，防止量化方案的"静默退化"。
