MPBRQ - A Framework for Mixed-Precision Quantization for Large Language Models
Notice bibliographique
Résumé
State-of-the-art Large Language Models (LLMs) have achieved impressive performance on varioustasks, yet their sizes are also increasing rapidly, requiring large amounts of computing and memory resources. Quantization has emerged as a promising method to reduce these costs and enable highly efficient inference. Based on the hypothesis that different parts of the model have varying quantization sensitivity and precision requirements, we introduce MPBRQ, a mixed-precision quantization framework that efficiently quantizes each network layer to appropriate precision. Evaluated on the Llama2-7B model, MPBRQ produces quantized models with better performance than the Omniquant baseline — one of the best-performing uniform precision methods — does under similar model footprints. MPBRQ achieves 10% improvement in average accuracy on zero-shot tasks for around 4 bits average bitlength and closes the accuracy gap with the unquantized model to only 0.75% at 6 bits average bitlength. Furthermore, MPBRQ provides custom CUDA kernels that enable efficient execution of such mixed precision models on conventional GPUs. With the mixed precision bitlengths found for Llama2-7B, these custom kernels result in at most 1.97 times speedup for an individual kernel invocation, up to 1.42 times overall acceleration for all Linear layers, and an estimated upper-bound of 1.33 times speedup for the entire network, with respect to the unquantized layers in FP16.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,005 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,006 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».