Buckets:

hf-doc-build
/

doc

Files

xet

hf-doc-build/doc / diffusers /v0.43.0 /es /quantization /autoround.md

mishig

2 days ago

preview code

download

raw

7.61 kB

# AutoRound

[AutoRound](https://github.com/intel/auto-round) es un kit de herramientas avanzado de cuantización. Logra una alta precisión en anchos de bits ultrabajos (2-4 bits) con un ajuste mínimo, aprovechando el descenso de gradiente de signo y ofreciendo una amplia compatibilidad con el hardware. Consulte nuestros artículos [SignRoundV1](https://arxiv.org/pdf/2309.05516) y [SignRoundV2](https://arxiv.org/abs/2512.04746) para obtener más detalles.

Instala `auto-round` (versión ≥ 0.13.0):

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

Para usar el kernel Marlin para una inferencia CUDA más rápida, instale `gptqmodel`:

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

## Cargar un modelo cuantizado

Cargue un modelo AutoRound pre-cuantizado pasando `AutoRoundConfig` a [from_pretrained()](/docs/diffusers/v0.43.0/es/api/models/overview#diffusers.ModelMixin.from_pretrained). El método funciona con cualquier modelo que se cargue mediante [Accelerate](https://hf.co/docs/accelerate/index) y que tenga capas `torch.nn.Linear`.

Puede usar [PipelineQuantizationConfig](/docs/diffusers/v0.43.0/es/api/quantization#diffusers.PipelineQuantizationConfig) para cuantizar componentes específicos de un 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")
```

O cargue directamente un componente de modelo cuantizado:

```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 en Diffusers solo admite la carga de modelos *precuantizados*. Para cuantizar un modelo desde cero, use directamente la [CLI o la API de Python de AutoRound](https://github.com/intel/auto-round) y luego cargue el resultado con Diffusers.

## torch.compile

AutoRound es compatible con [`torch.compile`](../optimization/fp16#torchcompile) para una inferencia más rápida. Puedes compilar el transformer (DiT) cuantizado para un mejor rendimiento:

```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

AutoRound admite varios backends de inferencia para modelos cuantizados solo en pesos. El backend controla qué kernel gestiona la decuantización durante la pasada hacia adelante. Establece el parámetro `backend` en `AutoRoundConfig` para elegir uno:

| Backend | Valor | Dispositivo | Requisitos | Notas |
|---------|-------|--------|--------------|-------|
| **Auto** | `"auto"` | Cualquiera | — | Predeterminado. Selecciona automáticamente el mejor backend disponible. |
| **PyTorch** | `"torch"` | CPU / CUDA | — | Implementación en PyTorch puro. Mayor compatibilidad. |
| **Triton** | `"tritonv2"` | CUDA | `triton` | Núcleo basado en Triton para inferencia en GPU. |
| **ExllamaV2** | `"exllamav2"` | CUDA | `gptqmodel>=5.8.0` | Buen rendimiento de CUDA a través del kernel ExllamaV2. |
| **Marlin** | `"marlin"` | CUDA | `gptqmodel>=5.8.0` | Mejor rendimiento de CUDA a través del 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")
```

## Guardar y cargar

AutoRound requiere la calibración de datos para cuantizar un modelo. Esto se realiza fuera de Diffusers utilizando directamente la [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 más detalles sobre las opciones de calibración, consulte la [documentación de 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 cuantización admitidos

AutoRound admite varios esquemas:

- **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**(se admiten todos los Q*_K, Q*_0, Q*_1 proporcionados por llamacpp)
- **NVFP4**(Función experimental, se recomienda exportar al formato `llm_compressor` con data_type nvfp4,act_data_type nvfp4,static_global_scale,group_size 16)
- **MXFP4**(**Función de investigación, sin kernel real**, MXFP4 estándar, data_type mxfp,act_data_type mxfp,bits 4, act_bits 4, group_size 32)
- **MXINT4**(**Función de investigación, sin kernel real**, MXINT4 estándar, data_type mxint,act_data_type mxint,bits 4, act_bits 4, group_size 32)
- **MXFP4_RCEIL**(**Función de investigación, sin kernel real**, variante de NVIDIA, data_type mxfp,act_data_type mxfp_rceil,bits 4, act_bits 4, group_size 32)
- **MXFP8**(**Función de investigación, sin kernel real**, data_type mxfp,act_data_type mxfp_rceil,group_size 32)
- **FPW8A16**(**Función de investigación, sin kernel real**, data_type fp8,group_size 0->per tensor )
- **FP8_STATIC**(**Función de investigación, sin kernel real**, data_type:fp8,act_data_type:fp8,group_size -1 ->por canal, act_group_size=0->por tensor)
Además, puedes modificar `group_size`, `bits`, `sym` y muchas otras configuraciones que desees, aunque es posible que no existan kernels reales.
## Recursos
- [Modelos AutoRound pre-cuantizados en el Hub](https://huggingface.co/models?search=autoround)

Xet Storage Details

Size:: 7.61 kB
Xet hash:: 1d24ef7b634d21215ba1f5e3a1692a95a46faca8c7574386eb6b04f0231c223a

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) es un kit de herramientas avanzado de cuantización. Logra una alta precisión en anchos de bits ultrabajos (2-4 bits) con un ajuste mínimo, aprovechando el descenso de gradiente de signo y ofreciendo una amplia compatibilidad con el hardware. Consulte nuestros artículos [SignRoundV1](https://arxiv.org/pdf/2309.05516) y [SignRoundV2](https://arxiv.org/abs/2512.04746) para obtener más detalles.

	Instala `auto-round` (versión ≥ 0.13.0):

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

	Para usar el kernel Marlin para una inferencia CUDA más rápida, instale `gptqmodel`:

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

	## Cargar un modelo cuantizado

	Cargue un modelo AutoRound pre-cuantizado pasando `AutoRoundConfig` a [from_pretrained()](/docs/diffusers/v0.43.0/es/api/models/overview#diffusers.ModelMixin.from_pretrained). El método funciona con cualquier modelo que se cargue mediante [Accelerate](https://hf.co/docs/accelerate/index) y que tenga capas `torch.nn.Linear`.

	Puede usar [PipelineQuantizationConfig](/docs/diffusers/v0.43.0/es/api/quantization#diffusers.PipelineQuantizationConfig) para cuantizar componentes específicos de un 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")
	```

	O cargue directamente un componente de modelo cuantizado:

	```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 en Diffusers solo admite la carga de modelos precuantizados. Para cuantizar un modelo desde cero, use directamente la [CLI o la API de Python de AutoRound](https://github.com/intel/auto-round) y luego cargue el resultado con Diffusers.

	## torch.compile

	AutoRound es compatible con [`torch.compile`](../optimization/fp16#torchcompile) para una inferencia más rápida. Puedes compilar el transformer (DiT) cuantizado para un mejor rendimiento:

	```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

	AutoRound admite varios backends de inferencia para modelos cuantizados solo en pesos. El backend controla qué kernel gestiona la decuantización durante la pasada hacia adelante. Establece el parámetro `backend` en `AutoRoundConfig` para elegir uno:

	\| Backend \| Valor \| Dispositivo \| Requisitos \| Notas \|
	\|---------\|-------\|--------\|--------------\|-------\|
	\| Auto \| `"auto"` \| Cualquiera \| — \| Predeterminado. Selecciona automáticamente el mejor backend disponible. \|
	\| PyTorch \| `"torch"` \| CPU / CUDA \| — \| Implementación en PyTorch puro. Mayor compatibilidad. \|
	\| Triton \| `"tritonv2"` \| CUDA \| `triton` \| Núcleo basado en Triton para inferencia en GPU. \|
	\| ExllamaV2 \| `"exllamav2"` \| CUDA \| `gptqmodel>=5.8.0` \| Buen rendimiento de CUDA a través del kernel ExllamaV2. \|
	\| Marlin \| `"marlin"` \| CUDA \| `gptqmodel>=5.8.0` \| Mejor rendimiento de CUDA a través del 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")
	```

	## Guardar y cargar

	AutoRound requiere la calibración de datos para cuantizar un modelo. Esto se realiza fuera de Diffusers utilizando directamente la [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 más detalles sobre las opciones de calibración, consulte la [documentación de 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 cuantización admitidos

	AutoRound admite varios esquemas:

	- 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(se admiten todos los Q_K, Q_0, Q*_1 proporcionados por llamacpp)
	- NVFP4(Función experimental, se recomienda exportar al formato `llm_compressor` con data_type nvfp4,act_data_type nvfp4,static_global_scale,group_size 16)
	- MXFP4(Función de investigación, sin kernel real, MXFP4 estándar, data_type mxfp,act_data_type mxfp,bits 4, act_bits 4, group_size 32)
	- MXINT4(Función de investigación, sin kernel real, MXINT4 estándar, data_type mxint,act_data_type mxint,bits 4, act_bits 4, group_size 32)
	- MXFP4_RCEIL(Función de investigación, sin kernel real, variante de NVIDIA, data_type mxfp,act_data_type mxfp_rceil,bits 4, act_bits 4, group_size 32)
	- MXFP8(Función de investigación, sin kernel real, data_type mxfp,act_data_type mxfp_rceil,group_size 32)
	- FPW8A16(Función de investigación, sin kernel real, data_type fp8,group_size 0->per tensor )
	- FP8_STATIC(Función de investigación, sin kernel real, data_type:fp8,act_data_type:fp8,group_size -1 ->por canal, act_group_size=0->por tensor)

	Además, puedes modificar `group_size`, `bits`, `sym` y muchas otras configuraciones que desees, aunque es posible que no existan kernels reales.

	## Recursos

	- [Modelos AutoRound pre-cuantizados en el Hub](https://huggingface.co/models?search=autoround)