Buckets:

hf-doc-build
/

doc

Files

xet

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

mishig

8 days ago

preview code

download

raw

7.55 kB

# AutoRound

[AutoRound](https://github.com/intel/auto-round) é um kit de ferramentas avançado de quantização. Ele atinge alta precisão em larguras de bits extremamente baixas (2-4 bits) com ajuste mínimo, aproveitando a descida do gradiente de sinal e oferecendo ampla compatibilidade com hardware. Consulte nossos artigos [SignRoundV1](https://arxiv.org/pdf/2309.05516) e [SignRoundV2](https://arxiv.org/abs/2512.04746) para mais detalhes.

Instale `auto-round`(versão ≥ 0.13.0):

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

Para usar o kernel Marlin para inferência CUDA mais rápida, instale `gptqmodel`:

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

## Carregar um modelo quantizado

Carregue um modelo AutoRound pré-quantizado passando `AutoRoundConfig` para [from_pretrained()](/docs/diffusers/main/pt/api/models/overview#diffusers.ModelMixin.from_pretrained). O método funciona com qualquer modelo que seja carregado via [Accelerate](https://hf.co/docs/accelerate/index) e que possua camadas `torch.nn.Linear`.

Você pode usar [PipelineQuantizationConfig](/docs/diffusers/main/pt/api/quantization#diffusers.PipelineQuantizationConfig) para quantizar componentes específicos de um 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")
```

Ou carregue um componente de modelo quantizado diretamente:

```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]
> O AutoRound no Diffusers só suporta o carregamento de modelos *pré-quantizados*. Para quantizar um modelo do zero, use diretamente a [CLI ou a API Python do AutoRound](https://github.com/intel/auto-round) e, em seguida, carregue o resultado com o Diffusers.

## torch.compile

AutoRound é compatível com [`torch.compile`](../optimization/fp16#torchcompile) para inferência mais rápida. Você pode compilar o transformer (DiT) quantizado para melhor desempenho:

```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)
```

## Backends

O AutoRound suporta múltiplos backends de inferência para modelos quantizados apenas em pesos. O backend controla qual kernel lida com a desquantização durante a passagem direta. Defina o parâmetro `backend` em `AutoRoundConfig` para escolher um:

| Backend | Valor | Dispositivo | Requisitos | Observações |
|---------|-------|--------|--------------|-------|
| **Auto** | `"auto"` | Qualquer | — | Padrão. Seleciona automaticamente o melhor backend disponível. |
| **PyTorch** | `"torch"` | CPU / CUDA | — | Implementação em PyTorch puro. Maior compatibilidade. |
| **Triton** | `"tritonv2"` | CUDA | `triton` | Kernel baseado em Triton para inferência em GPU. |
| **ExllamaV2** | `"exllamav2"` | CUDA | `gptqmodel>=5.8.0` | Bom desempenho de CUDA por meio do kernel ExllamaV2. |
| **Marlin** | `"marlin"` | CUDA | `gptqmodel>=5.8.0` | Melhor desempenho CUDA por meio do 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")
```

## Salvar e carregar

AutoRound requer calibração de dados para quantizar um modelo. Isso é feito fora do Diffusers usando diretamente a [biblioteca AutoRound](https://github.com/intel/auto-round):

```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")
```

Para mais detalhes sobre as opções de calibração, consulte a [documentação do 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")
```

### Esquemas de Quantização Suportados

O AutoRound suporta vários Schemes:

- **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**(todos os Q*_K, Q*_0, Q*_1 fornecidos pelo llamacpp são suportados)
- **NVFP4**(Recurso experimental, recomenda-se exportar para o formato `llm_compressor` com data_type nvfp4,act_data_type nvfp4,static_global_scale,group_size 16)
- **MXFP4**(**Recurso de pesquisa, sem kernel real**, MXFP4 padrão, data_type mxfp,act_data_type mxfp,bits 4, act_bits 4, group_size 32)
- **MXINT4**(**Recurso de pesquisa, sem kernel real**, MXINT4 padrão, data_type mxint,act_data_type mxint,bits 4, act_bits 4, group_size 32)
- **MXFP4_RCEIL**(**Recurso de pesquisa, sem kernel real**, variante da NVIDIA, data_type mxfp,act_data_type mxfp_rceil,bits 4, act_bits 4, group_size 32)
- **MXFP8**(**Recurso de pesquisa, sem kernel real**, data_type mxfp,act_data_type mxfp_rceil,group_size 32)
- **FPW8A16**(**Recurso de pesquisa, sem kernel real**, data_type fp8,group_size 0->per tensor )
- **FP8_STATIC**(**Recurso de pesquisa, sem kernel real**, data_type:fp8,act_data_type:fp8,group_size -1 ->por canal, act_group_size=0->por tensor)
Além disso, você pode modificar o `group_size`, `bits`, `sym` e muitas outras configurações que desejar, embora talvez não existam kernels reais.
## Recursos
- [Modelos AutoRound pré-quantizados no Hub](https://huggingface.co/models?search=autoround)

Xet Storage Details

Size:: 7.55 kB
Xet hash:: 4fb19872aa536757cb191f185348d0e1e059fbbb802b19783f3a946d3dc93c67

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) é um kit de ferramentas avançado de quantização. Ele atinge alta precisão em larguras de bits extremamente baixas (2-4 bits) com ajuste mínimo, aproveitando a descida do gradiente de sinal e oferecendo ampla compatibilidade com hardware. Consulte nossos artigos [SignRoundV1](https://arxiv.org/pdf/2309.05516) e [SignRoundV2](https://arxiv.org/abs/2512.04746) para mais detalhes.

	Instale `auto-round`(versão ≥ 0.13.0):

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

	Para usar o kernel Marlin para inferência CUDA mais rápida, instale `gptqmodel`:

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

	## Carregar um modelo quantizado

	Carregue um modelo AutoRound pré-quantizado passando `AutoRoundConfig` para [from_pretrained()](/docs/diffusers/main/pt/api/models/overview#diffusers.ModelMixin.from_pretrained). O método funciona com qualquer modelo que seja carregado via [Accelerate](https://hf.co/docs/accelerate/index) e que possua camadas `torch.nn.Linear`.

	Você pode usar [PipelineQuantizationConfig](/docs/diffusers/main/pt/api/quantization#diffusers.PipelineQuantizationConfig) para quantizar componentes específicos de um 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")
	```

	Ou carregue um componente de modelo quantizado diretamente:

	```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]
	> O AutoRound no Diffusers só suporta o carregamento de modelos pré-quantizados. Para quantizar um modelo do zero, use diretamente a [CLI ou a API Python do AutoRound](https://github.com/intel/auto-round) e, em seguida, carregue o resultado com o Diffusers.

	## torch.compile

	AutoRound é compatível com [`torch.compile`](../optimization/fp16#torchcompile) para inferência mais rápida. Você pode compilar o transformer (DiT) quantizado para melhor desempenho:

	```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)
	```

	## Backends

	O AutoRound suporta múltiplos backends de inferência para modelos quantizados apenas em pesos. O backend controla qual kernel lida com a desquantização durante a passagem direta. Defina o parâmetro `backend` em `AutoRoundConfig` para escolher um:

	\| Backend \| Valor \| Dispositivo \| Requisitos \| Observações \|
	\|---------\|-------\|--------\|--------------\|-------\|
	\| Auto \| `"auto"` \| Qualquer \| — \| Padrão. Seleciona automaticamente o melhor backend disponível. \|
	\| PyTorch \| `"torch"` \| CPU / CUDA \| — \| Implementação em PyTorch puro. Maior compatibilidade. \|
	\| Triton \| `"tritonv2"` \| CUDA \| `triton` \| Kernel baseado em Triton para inferência em GPU. \|
	\| ExllamaV2 \| `"exllamav2"` \| CUDA \| `gptqmodel>=5.8.0` \| Bom desempenho de CUDA por meio do kernel ExllamaV2. \|
	\| Marlin \| `"marlin"` \| CUDA \| `gptqmodel>=5.8.0` \| Melhor desempenho CUDA por meio do 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")
	```

	## Salvar e carregar

	AutoRound requer calibração de dados para quantizar um modelo. Isso é feito fora do Diffusers usando diretamente a [biblioteca AutoRound](https://github.com/intel/auto-round):

	```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")
	```

	Para mais detalhes sobre as opções de calibração, consulte a [documentação do 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")
	```

	### Esquemas de Quantização Suportados

	O AutoRound suporta vários Schemes:

	- 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(todos os Q_K, Q_0, Q*_1 fornecidos pelo llamacpp são suportados)
	- NVFP4(Recurso experimental, recomenda-se exportar para o formato `llm_compressor` com data_type nvfp4,act_data_type nvfp4,static_global_scale,group_size 16)
	- MXFP4(Recurso de pesquisa, sem kernel real, MXFP4 padrão, data_type mxfp,act_data_type mxfp,bits 4, act_bits 4, group_size 32)
	- MXINT4(Recurso de pesquisa, sem kernel real, MXINT4 padrão, data_type mxint,act_data_type mxint,bits 4, act_bits 4, group_size 32)
	- MXFP4_RCEIL(Recurso de pesquisa, sem kernel real, variante da NVIDIA, data_type mxfp,act_data_type mxfp_rceil,bits 4, act_bits 4, group_size 32)
	- MXFP8(Recurso de pesquisa, sem kernel real, data_type mxfp,act_data_type mxfp_rceil,group_size 32)
	- FPW8A16(Recurso de pesquisa, sem kernel real, data_type fp8,group_size 0->per tensor )
	- FP8_STATIC(Recurso de pesquisa, sem kernel real, data_type:fp8,act_data_type:fp8,group_size -1 ->por canal, act_group_size=0->por tensor)

	Além disso, você pode modificar o `group_size`, `bits`, `sym` e muitas outras configurações que desejar, embora talvez não existam kernels reais.

	## Recursos

	- [Modelos AutoRound pré-quantizados no Hub](https://huggingface.co/models?search=autoround)