Buckets:

hf-doc-build
/

doc

Files

xet

hf-doc-build/doc / diffusers /main /id /quantization /autoround.md

mishig

8 days ago

preview code

download

raw

7.5 kB

# AutoRound

[AutoRound](https://github.com/intel/auto-round) adalah toolkit kuantisasi tingkat lanjut. Alat ini mencapai akurasi tinggi pada lebar bit ultra-rendah (2-4 bit) dengan penyetelan minimal dengan memanfaatkan sign-gradient descent dan menyediakan kompatibilitas perangkat keras yang luas. Lihat makalah kami [SignRoundV1](https://arxiv.org/pdf/2309.05516) dan [SignRoundV2](https://arxiv.org/abs/2512.04746) untuk detail lebih lanjut.

Instal `auto-round`(versi ≥ 0.13.0):

```bash
pip install "auto-round>=0.13.0"
```

Untuk menggunakan kernel Marlin untuk inferensi CUDA yang lebih cepat, instal `gptqmodel`:

```bash
pip install "gptqmodel>=5.8.0"
```

## Muat model terkuantisasi

Muat model AutoRound yang sudah dikuantisasi sebelumnya dengan meneruskan `AutoRoundConfig` ke [from_pretrained()](/docs/diffusers/main/id/api/models/overview#diffusers.ModelMixin.from_pretrained). Metode ini berfungsi dengan model apa pun yang dimuat melalui [Accelerate](https://hf.co/docs/accelerate/index) dan memiliki lapisan `torch.nn.Linear`.

Anda dapat menggunakan [PipelineQuantizationConfig](/docs/diffusers/main/id/api/quantization#diffusers.PipelineQuantizationConfig) untuk mengkuantisasi komponen tertentu dari sebuah pipeline:

```python
import torch
from diffusers import DiffusionPipeline, PipelineQuantizationConfig, AutoRoundConfig
pipeline_quant_config = PipelineQuantizationConfig(
    quant_mapping={"transformer": AutoRoundConfig(backend="auto")}
)
pipe = DiffusionPipeline.from_pretrained(
    "INCModel/Z-Image-W4A16-AutoRound",
    quantization_config=pipeline_quant_config,
    dtype=torch.bfloat16,
    device_map="cuda",  # or "mps", "xpu", "cpu"
)
image = pipe("a cat holding a sign that says hello").images[0]
image.save("output.png")
```

Atau muat komponen model terkuantisasi secara langsung:

```python
import torch
from diffusers import ZImageTransformer2DModel, ZImagePipeline, AutoRoundConfig
model_id = "INCModel/Z-Image-W4A16-AutoRound"
quantization_config = AutoRoundConfig(backend="auto")
transformer = ZImageTransformer2DModel.from_pretrained(
    model_id,
    subfolder="transformer",
    quantization_config=quantization_config,
    dtype=torch.bfloat16,
    device_map="cuda",  # or "mps", "xpu", "cpu"
)
pipe = ZImagePipeline.from_pretrained(
    model_id,
    transformer=transformer,
    dtype=torch.bfloat16,
    device_map="cuda",
)
image = pipe("a cat holding a sign that says hello").images[0]
image.save("output.png")
```

> [!NOTE]
> AutoRound di Diffusers hanya mendukung pemuatan model *pre-quantized*. Untuk mengkuantisasi model dari awal, gunakan [AutoRound CLI atau Python API](https://github.com/intel/auto-round) secara langsung, lalu muat hasilnya dengan Diffusers.

## torch.compile

AutoRound kompatibel dengan [`torch.compile`](../optimization/fp16#torchcompile) untuk inferensi yang lebih cepat. Anda dapat mengompilasi transformer (DiT) yang dikuantisasi untuk kinerja yang lebih baik:

```python
import torch
from diffusers import DiffusionPipeline, PipelineQuantizationConfig, AutoRoundConfig
pipeline_quant_config = PipelineQuantizationConfig(
    quant_mapping={"transformer": AutoRoundConfig(backend="auto")}
)
pipe = DiffusionPipeline.from_pretrained(
    "INCModel/Z-Image-W4A16-AutoRound",
    quantization_config=pipeline_quant_config,
    dtype=torch.bfloat16,
    device_map="cuda",  # or "mps", "xpu", "cpu"
)
pipe.transformer = torch.compile(pipe.transformer, mode="default", fullgraph=False)
```

## Backend

AutoRound mendukung beberapa backend inferensi untuk model yang dikuantisasi hanya pada bobot. Backend mengontrol kernel mana yang menangani dekuantisasi selama forward pass. Atur parameter `backend` di `AutoRoundConfig` untuk memilih salah satu:

| Backend | Nilai | Perangkat | Persyaratan | Catatan |
|---------|-------|--------|--------------|-------|
| **Auto** | `"auto"` | Semua | — | Default. Secara otomatis memilih backend terbaik yang tersedia. |
| **PyTorch** | `"torch"` | CPU / CUDA | — | Implementasi PyTorch murni. Kompatibilitas paling luas. |
| **Triton** | `"tritonv2"` | CUDA | `triton` | Kernel berbasis Triton untuk inferensi GPU. |
| **ExllamaV2** | `"exllamav2"` | CUDA | `gptqmodel>=5.8.0` | Kinerja CUDA yang baik melalui kernel ExllamaV2. |
| **Marlin** | `"marlin"` | CUDA | `gptqmodel>=5.8.0` | Kinerja CUDA terbaik melalui kernel Marlin. |

```python
from diffusers import AutoRoundConfig
# Auto-select (default)
config = AutoRoundConfig()
# Explicit Triton backend for CUDA
config = AutoRoundConfig(backend="tritonv2")
# Marlin backend for best CUDA performance (requires gptqmodel>=5.8.0)
config = AutoRoundConfig(backend="marlin")
# ExllamaV2 backend for good CUDA performance (requires gptqmodel>=5.8.0)
config = AutoRoundConfig(backend="exllamav2")
# PyTorch backend for CPU/CUDA inference
config = AutoRoundConfig(backend="torch")
```

## Simpan dan muat

AutoRound memerlukan kalibrasi data untuk mengkuantisasi model. Hal ini dilakukan di luar Diffusers dengan menggunakan [library AutoRound](https://github.com/intel/auto-round) secara langsung:

```python
from auto_round import AutoRound
autoround = AutoRound(
    "Tongyi-MAI/Z-Image",
    scheme="W4A16",  # W4G128 symmetric
    enable_torch_compile=True,
    num_inference_steps=3,
    guidance_scale=7.5,
    dataset="coco2014",
)
autoround.quantize_and_save("Z-Image-W4A16-AutoRound")
```

Untuk detail lebih lanjut tentang opsi kalibrasi, lihat [dokumentasi AutoRound](https://github.com/intel/auto-round).

```python
import torch
from diffusers import ZImageTransformer2DModel, ZImagePipeline
model_id = "INCModel/Z-Image-W4A16-AutoRound"
# The inference backend will be automatically selected.
pipe = ZImagePipeline.from_pretrained(
    model_id,
    dtype=torch.bfloat16,
    device_map="cuda",  # or "mps", "xpu", "cpu"
)
image = pipe("a cat holding a sign that says hello").images[0]
image.save("output.png")
```

### Skema Kuantisasi yang Didukung

AutoRound mendukung beberapa Skema:

- **W4A16**(bits:4,group_size:128,sym:True,act_bits:16)
- **W8A16**(bits:8,group_size:128,sym:True,act_bits:16)
- **W3A16**(bits:3,group_size:128,sym:True,act_bits:16)
- **W2A16**(bits:2,group_size:128,sym:True,act_bits:16)
- **GGUF:Q4_K_M**(semua Q*_K,Q*_0,Q*_1 yang disediakan oleh llamacpp didukung)
- **NVFP4**(Fitur eksperimental, disarankan untuk mengekspor ke format `llm_compressor` dengan data_type nvfp4,act_data_type nvfp4,static_global_scale,group_size 16)
- **MXFP4**(**Fitur riset, tanpa kernel nyata**, Standard MXFP4, data_type mxfp,act_data_type mxfp,bits 4, act_bits 4, group_size 32)
- **MXINT4**(**Fitur riset, tanpa kernel nyata**, Standard MXINT4, data_type mxint,act_data_type mxint,bits 4, act_bits 4, group_size 32)
- **MXFP4_RCEIL**(**Fitur riset, tidak ada kernel nyata**, varian NVIDIA, data_type mxfp, act_data_type mxfp_rceil, bits 4, act_bits 4, group_size 32)
- **MXFP8**(**Fitur riset, tanpa kernel nyata**, data_type mxfp,act_data_type mxfp_rceil,group_size 32)
- **FPW8A16**(**Fitur riset, tanpa kernel nyata**, data_type fp8,group_size 0->per tensor )
- **FP8_STATIC**(**Fitur riset, tanpa kernel nyata**, data_type:fp8,act_data_type:fp8,group_size -1 ->per channel, act_group_size=0->per tensor)
Selain itu, Anda dapat memodifikasi `group_size`, `bits`, `sym` dan banyak konfigurasi lain yang Anda inginkan, meskipun mungkin tidak ada kernel nyata.
## Sumber daya
- [Model AutoRound pra-kuantisasi di Hub](https://huggingface.co/models?search=autoround)

Xet Storage Details

Size:: 7.5 kB
Xet hash:: 44624e66b14ad321969dc1dae38ce562bc1cc4d1c7ad3eacf987a48cbefc80db

Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.

	# AutoRound

	[AutoRound](https://github.com/intel/auto-round) adalah toolkit kuantisasi tingkat lanjut. Alat ini mencapai akurasi tinggi pada lebar bit ultra-rendah (2-4 bit) dengan penyetelan minimal dengan memanfaatkan sign-gradient descent dan menyediakan kompatibilitas perangkat keras yang luas. Lihat makalah kami [SignRoundV1](https://arxiv.org/pdf/2309.05516) dan [SignRoundV2](https://arxiv.org/abs/2512.04746) untuk detail lebih lanjut.

	Instal `auto-round`(versi ≥ 0.13.0):

	```bash
	pip install "auto-round>=0.13.0"
	```

	Untuk menggunakan kernel Marlin untuk inferensi CUDA yang lebih cepat, instal `gptqmodel`:

	```bash
	pip install "gptqmodel>=5.8.0"
	```

	## Muat model terkuantisasi

	Muat model AutoRound yang sudah dikuantisasi sebelumnya dengan meneruskan `AutoRoundConfig` ke [from_pretrained()](/docs/diffusers/main/id/api/models/overview#diffusers.ModelMixin.from_pretrained). Metode ini berfungsi dengan model apa pun yang dimuat melalui [Accelerate](https://hf.co/docs/accelerate/index) dan memiliki lapisan `torch.nn.Linear`.

	Anda dapat menggunakan [PipelineQuantizationConfig](/docs/diffusers/main/id/api/quantization#diffusers.PipelineQuantizationConfig) untuk mengkuantisasi komponen tertentu dari sebuah pipeline:

	```python
	import torch
	from diffusers import DiffusionPipeline, PipelineQuantizationConfig, AutoRoundConfig

	pipeline_quant_config = PipelineQuantizationConfig(
	quant_mapping={"transformer": AutoRoundConfig(backend="auto")}
	)
	pipe = DiffusionPipeline.from_pretrained(
	"INCModel/Z-Image-W4A16-AutoRound",
	quantization_config=pipeline_quant_config,
	dtype=torch.bfloat16,
	device_map="cuda", # or "mps", "xpu", "cpu"
	)

	image = pipe("a cat holding a sign that says hello").images[0]
	image.save("output.png")
	```

	Atau muat komponen model terkuantisasi secara langsung:

	```python
	import torch
	from diffusers import ZImageTransformer2DModel, ZImagePipeline, AutoRoundConfig

	model_id = "INCModel/Z-Image-W4A16-AutoRound"

	quantization_config = AutoRoundConfig(backend="auto")
	transformer = ZImageTransformer2DModel.from_pretrained(
	model_id,
	subfolder="transformer",
	quantization_config=quantization_config,
	dtype=torch.bfloat16,
	device_map="cuda", # or "mps", "xpu", "cpu"
	)

	pipe = ZImagePipeline.from_pretrained(
	model_id,
	transformer=transformer,
	dtype=torch.bfloat16,
	device_map="cuda",
	)

	image = pipe("a cat holding a sign that says hello").images[0]
	image.save("output.png")
	```

	> [!NOTE]
	> AutoRound di Diffusers hanya mendukung pemuatan model pre-quantized. Untuk mengkuantisasi model dari awal, gunakan [AutoRound CLI atau Python API](https://github.com/intel/auto-round) secara langsung, lalu muat hasilnya dengan Diffusers.

	## torch.compile

	AutoRound kompatibel dengan [`torch.compile`](../optimization/fp16#torchcompile) untuk inferensi yang lebih cepat. Anda dapat mengompilasi transformer (DiT) yang dikuantisasi untuk kinerja yang lebih baik:

	```python
	import torch
	from diffusers import DiffusionPipeline, PipelineQuantizationConfig, AutoRoundConfig

	pipeline_quant_config = PipelineQuantizationConfig(
	quant_mapping={"transformer": AutoRoundConfig(backend="auto")}
	)
	pipe = DiffusionPipeline.from_pretrained(
	"INCModel/Z-Image-W4A16-AutoRound",
	quantization_config=pipeline_quant_config,
	dtype=torch.bfloat16,
	device_map="cuda", # or "mps", "xpu", "cpu"
	)

	pipe.transformer = torch.compile(pipe.transformer, mode="default", fullgraph=False)
	```

	## Backend

	AutoRound mendukung beberapa backend inferensi untuk model yang dikuantisasi hanya pada bobot. Backend mengontrol kernel mana yang menangani dekuantisasi selama forward pass. Atur parameter `backend` di `AutoRoundConfig` untuk memilih salah satu:

	\| Backend \| Nilai \| Perangkat \| Persyaratan \| Catatan \|
	\|---------\|-------\|--------\|--------------\|-------\|
	\| Auto \| `"auto"` \| Semua \| — \| Default. Secara otomatis memilih backend terbaik yang tersedia. \|
	\| PyTorch \| `"torch"` \| CPU / CUDA \| — \| Implementasi PyTorch murni. Kompatibilitas paling luas. \|
	\| Triton \| `"tritonv2"` \| CUDA \| `triton` \| Kernel berbasis Triton untuk inferensi GPU. \|
	\| ExllamaV2 \| `"exllamav2"` \| CUDA \| `gptqmodel>=5.8.0` \| Kinerja CUDA yang baik melalui kernel ExllamaV2. \|
	\| Marlin \| `"marlin"` \| CUDA \| `gptqmodel>=5.8.0` \| Kinerja CUDA terbaik melalui kernel Marlin. \|

	```python
	from diffusers import AutoRoundConfig

	# Auto-select (default)
	config = AutoRoundConfig()

	# Explicit Triton backend for CUDA
	config = AutoRoundConfig(backend="tritonv2")

	# Marlin backend for best CUDA performance (requires gptqmodel>=5.8.0)
	config = AutoRoundConfig(backend="marlin")

	# ExllamaV2 backend for good CUDA performance (requires gptqmodel>=5.8.0)
	config = AutoRoundConfig(backend="exllamav2")

	# PyTorch backend for CPU/CUDA inference
	config = AutoRoundConfig(backend="torch")
	```

	## Simpan dan muat

	AutoRound memerlukan kalibrasi data untuk mengkuantisasi model. Hal ini dilakukan di luar Diffusers dengan menggunakan [library AutoRound](https://github.com/intel/auto-round) secara langsung:

	```python
	from auto_round import AutoRound

	autoround = AutoRound(
	"Tongyi-MAI/Z-Image",
	scheme="W4A16", # W4G128 symmetric
	enable_torch_compile=True,
	num_inference_steps=3,
	guidance_scale=7.5,
	dataset="coco2014",
	)
	autoround.quantize_and_save("Z-Image-W4A16-AutoRound")
	```

	Untuk detail lebih lanjut tentang opsi kalibrasi, lihat [dokumentasi AutoRound](https://github.com/intel/auto-round).

	```python
	import torch
	from diffusers import ZImageTransformer2DModel, ZImagePipeline

	model_id = "INCModel/Z-Image-W4A16-AutoRound"

	# The inference backend will be automatically selected.
	pipe = ZImagePipeline.from_pretrained(
	model_id,
	dtype=torch.bfloat16,
	device_map="cuda", # or "mps", "xpu", "cpu"
	)

	image = pipe("a cat holding a sign that says hello").images[0]
	image.save("output.png")
	```

	### Skema Kuantisasi yang Didukung

	AutoRound mendukung beberapa Skema:

	- W4A16(bits:4,group_size:128,sym:True,act_bits:16)
	- W8A16(bits:8,group_size:128,sym:True,act_bits:16)
	- W3A16(bits:3,group_size:128,sym:True,act_bits:16)
	- W2A16(bits:2,group_size:128,sym:True,act_bits:16)
	- GGUF:Q4_K_M(semua Q_K,Q_0,Q*_1 yang disediakan oleh llamacpp didukung)
	- NVFP4(Fitur eksperimental, disarankan untuk mengekspor ke format `llm_compressor` dengan data_type nvfp4,act_data_type nvfp4,static_global_scale,group_size 16)
	- MXFP4(Fitur riset, tanpa kernel nyata, Standard MXFP4, data_type mxfp,act_data_type mxfp,bits 4, act_bits 4, group_size 32)
	- MXINT4(Fitur riset, tanpa kernel nyata, Standard MXINT4, data_type mxint,act_data_type mxint,bits 4, act_bits 4, group_size 32)
	- MXFP4_RCEIL(Fitur riset, tidak ada kernel nyata, varian NVIDIA, data_type mxfp, act_data_type mxfp_rceil, bits 4, act_bits 4, group_size 32)
	- MXFP8(Fitur riset, tanpa kernel nyata, data_type mxfp,act_data_type mxfp_rceil,group_size 32)
	- FPW8A16(Fitur riset, tanpa kernel nyata, data_type fp8,group_size 0->per tensor )
	- FP8_STATIC(Fitur riset, tanpa kernel nyata, data_type:fp8,act_data_type:fp8,group_size -1 ->per channel, act_group_size=0->per tensor)

	Selain itu, Anda dapat memodifikasi `group_size`, `bits`, `sym` dan banyak konfigurasi lain yang Anda inginkan, meskipun mungkin tidak ada kernel nyata.

	## Sumber daya

	- [Model AutoRound pra-kuantisasi di Hub](https://huggingface.co/models?search=autoround)