Buckets:

hf-doc-build
/

doc

Files

xet

hf-doc-build/doc / diffusers /v0.43.0 /fr /quantization /bfl.md

mishig

2 days ago

preview code

download

raw

4.65 kB

# BFL (fp8r / nvfp4)

[Black Forest Labs](https://huggingface.co/black-forest-labs) propose des variantes quantifiées de ses transformers [Flux3](../api/pipelines/flux3) selon deux schémas, stockées sous forme de points de contrôle monofichier à côté des poids bf16 d’origine :

- `fp8r` : FP8 par ligne. Chaque linéaire quantifié stocke un `weight` E4M3 et un `weight_scale` fp32 par ligne. Les activations sont quantifiées en E4M3 par ligne à l'exécution.
- `nvfp4` : NVFP4 dans la disposition [ModelOpt](https://github.com/NVIDIA/Model-Optimizer). Chaque linéaire quantifié stocke un `weight` E2M1 compacté (deux valeurs par octet), des échelles de bloc E4M3 de 16 (`weight_scale`), une échelle globale fp32 `weight_scale_2` et une échelle d’activation fp32 calibrée `input_scale`.

Diffusers charge les deux via `~FromSingleFileMixin.from_single_file` avec un [BFLQuantizationConfig](/docs/diffusers/v0.43.0/fr/api/quantization#diffusers.BFLQuantizationConfig). Le schéma est lu depuis le checkpoint, de sorte que la même configuration fonctionne pour les deux fichiers. Seul le chargement de checkpoints pré-quantifiés est pris en charge ; le chargement au niveau du pipeline ne l'est pas.

L’exemple ci-dessous charge le point de contrôle `fp8r` de [FLUX 3 Image Klein Base](https://huggingface.co/black-forest-labs/flux-3-image-klein-base), qui se trouve à `variants/fp8r/model.safetensors` dans le dépôt du modèle. Passez `config` afin que la configuration du modèle soit lue depuis le dossier Diffusers de ce dépôt, puis chargez les autres composants par nom (voir [Chargement de fichier unique](../api/pipelines/flux3#single-file-loading)).

```python
import torch
from diffusers import BFLQuantizationConfig, Flux3Transformer2DModel, ModularPipeline
ckpt_path = "https://huggingface.co/black-forest-labs/flux-3-image-klein-base/blob/main/variants/fp8r/model.safetensors"
transformer = Flux3Transformer2DModel.from_single_file(
    ckpt_path,
    config="black-forest-labs/flux-3-image-klein-base",
    subfolder="transformer",
    quantization_config=BFLQuantizationConfig(compute_dtype=torch.bfloat16),
    dtype=torch.bfloat16,
)
pipe = ModularPipeline.from_pretrained("black-forest-labs/flux-3-image-klein-base")
pipe.load_components(dtype=torch.bfloat16)
pipe.update_components(transformer=transformer)
pipe.to("cuda")
prompt = "A wide-angle wildlife photograph of a red fox standing alert in a snow-covered forest clearing at golden hour."
image = pipe(prompt=prompt, generator=torch.Generator().manual_seed(0), output="images")[0]
image.save("flux3-klein-base-fp8r.png")
```

Remplacez `variants/fp8r` par `variants/nvfp4` pour charger la variante `nvfp4`. Le modèle [FLUX 3 Image Klein](https://huggingface.co/black-forest-labs/flux-3-image-klein) distillé par étapes est livré avec les deux mêmes variantes ; chargez-les en utilisant son identifiant de dépôt comme `config` et pipeline.

## Kernels

Les poids quantifiés restent dans leur dtype de stockage basse précision. Le GEMM exécuté dépend de l'appareil :

| Schéma | Noeud fusionné | Prérequis |
|---|---|---|
| `fp8r` | `torch._scaled_mm` avec des échelles par ligne | GPU CUDA avec une capacité de calcul de 8,9 ou supérieure |
| `nvfp4` | `flashinfer.mm_fp4` (CUTLASS) avec `flashinfer.nvfp4_quantize` pour les activations | GPU Blackwell (capacité de calcul 10.0 ou supérieure), un kit d’outils CUDA avec `nvcc`, et `flashinfer-python` avec `flashinfer-cubin` à la même version |

Installez les deux paquets FlashInfer à la même version, par exemple `pip install flashinfer-python==0.6.13 flashinfer-cubin==0.6.13`. La version de `flashinfer-cubin` peut être en retard sur celle de `flashinfer-python`, et FlashInfer refuse d’être importé si les versions diffèrent.

FlashInfer compile ses noyaux NVFP4 lors de la première utilisation avec le kit CUDA de l’environnement et sélectionne l’architecture cible à partir du GPU visible (ou à partir de `FLASHINFER_CUDA_ARCH_LIST` si défini). Les GPU Blackwell grand public et de station de travail (capacité de calcul 12.0) nécessitent un kit CUDA de version 12.9 ou plus récente. Avec un kit plus ancien, FlashInfer ne trouve aucune architecture éligible et le premier appel NVFP4 échoue avec `FlashInfer requires GPUs with sm75 or higher`.

Sur tout autre appareil, les poids sont déquantifiés en `compute_dtype` à chaque passe avant et la couche s’exécute comme une couche linéaire standard. Dans ce cas, les activations ne sont pas quantifiées, de sorte que les sorties diffèrent légèrement de celles des noyaux fusionnés.

Xet Storage Details

Size:: 4.65 kB
Xet hash:: 525d749168b42718a45f11b8ef704cf39b5fef854650ee35f0d328897ef28754

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

	# BFL (fp8r / nvfp4)

	[Black Forest Labs](https://huggingface.co/black-forest-labs) propose des variantes quantifiées de ses transformers [Flux3](../api/pipelines/flux3) selon deux schémas, stockées sous forme de points de contrôle monofichier à côté des poids bf16 d’origine :

	- `fp8r` : FP8 par ligne. Chaque linéaire quantifié stocke un `weight` E4M3 et un `weight_scale` fp32 par ligne. Les activations sont quantifiées en E4M3 par ligne à l'exécution.
	- `nvfp4` : NVFP4 dans la disposition [ModelOpt](https://github.com/NVIDIA/Model-Optimizer). Chaque linéaire quantifié stocke un `weight` E2M1 compacté (deux valeurs par octet), des échelles de bloc E4M3 de 16 (`weight_scale`), une échelle globale fp32 `weight_scale_2` et une échelle d’activation fp32 calibrée `input_scale`.

	Diffusers charge les deux via `~FromSingleFileMixin.from_single_file` avec un [BFLQuantizationConfig](/docs/diffusers/v0.43.0/fr/api/quantization#diffusers.BFLQuantizationConfig). Le schéma est lu depuis le checkpoint, de sorte que la même configuration fonctionne pour les deux fichiers. Seul le chargement de checkpoints pré-quantifiés est pris en charge ; le chargement au niveau du pipeline ne l'est pas.

	L’exemple ci-dessous charge le point de contrôle `fp8r` de [FLUX 3 Image Klein Base](https://huggingface.co/black-forest-labs/flux-3-image-klein-base), qui se trouve à `variants/fp8r/model.safetensors` dans le dépôt du modèle. Passez `config` afin que la configuration du modèle soit lue depuis le dossier Diffusers de ce dépôt, puis chargez les autres composants par nom (voir [Chargement de fichier unique](../api/pipelines/flux3#single-file-loading)).

	```python
	import torch

	from diffusers import BFLQuantizationConfig, Flux3Transformer2DModel, ModularPipeline

	ckpt_path = "https://huggingface.co/black-forest-labs/flux-3-image-klein-base/blob/main/variants/fp8r/model.safetensors"
	transformer = Flux3Transformer2DModel.from_single_file(
	ckpt_path,
	config="black-forest-labs/flux-3-image-klein-base",
	subfolder="transformer",
	quantization_config=BFLQuantizationConfig(compute_dtype=torch.bfloat16),
	dtype=torch.bfloat16,
	)
	pipe = ModularPipeline.from_pretrained("black-forest-labs/flux-3-image-klein-base")
	pipe.load_components(dtype=torch.bfloat16)
	pipe.update_components(transformer=transformer)
	pipe.to("cuda")

	prompt = "A wide-angle wildlife photograph of a red fox standing alert in a snow-covered forest clearing at golden hour."
	image = pipe(prompt=prompt, generator=torch.Generator().manual_seed(0), output="images")[0]
	image.save("flux3-klein-base-fp8r.png")
	```

	Remplacez `variants/fp8r` par `variants/nvfp4` pour charger la variante `nvfp4`. Le modèle [FLUX 3 Image Klein](https://huggingface.co/black-forest-labs/flux-3-image-klein) distillé par étapes est livré avec les deux mêmes variantes ; chargez-les en utilisant son identifiant de dépôt comme `config` et pipeline.

	## Kernels

	Les poids quantifiés restent dans leur dtype de stockage basse précision. Le GEMM exécuté dépend de l'appareil :

	\| Schéma \| Noeud fusionné \| Prérequis \|
	\|---\|---\|---\|
	\| `fp8r` \| `torch._scaled_mm` avec des échelles par ligne \| GPU CUDA avec une capacité de calcul de 8,9 ou supérieure \|
	\| `nvfp4` \| `flashinfer.mm_fp4` (CUTLASS) avec `flashinfer.nvfp4_quantize` pour les activations \| GPU Blackwell (capacité de calcul 10.0 ou supérieure), un kit d’outils CUDA avec `nvcc`, et `flashinfer-python` avec `flashinfer-cubin` à la même version \|

	Installez les deux paquets FlashInfer à la même version, par exemple `pip install flashinfer-python==0.6.13 flashinfer-cubin==0.6.13`. La version de `flashinfer-cubin` peut être en retard sur celle de `flashinfer-python`, et FlashInfer refuse d’être importé si les versions diffèrent.

	FlashInfer compile ses noyaux NVFP4 lors de la première utilisation avec le kit CUDA de l’environnement et sélectionne l’architecture cible à partir du GPU visible (ou à partir de `FLASHINFER_CUDA_ARCH_LIST` si défini). Les GPU Blackwell grand public et de station de travail (capacité de calcul 12.0) nécessitent un kit CUDA de version 12.9 ou plus récente. Avec un kit plus ancien, FlashInfer ne trouve aucune architecture éligible et le premier appel NVFP4 échoue avec `FlashInfer requires GPUs with sm75 or higher`.

	Sur tout autre appareil, les poids sont déquantifiés en `compute_dtype` à chaque passe avant et la couche s’exécute comme une couche linéaire standard. Dans ce cas, les activations ne sont pas quantifiées, de sorte que les sorties diffèrent légèrement de celles des noyaux fusionnés.