Buckets:

hf-doc-build
/

doc

Files

xet

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

mishig

2 days ago

preview code

download

raw

9.6 kB

# AutoRound

[AutoRound](https://github.com/intel/auto-round) — это продвинутый инструментарий для квантования. Он обеспечивает высокую точность при сверхнизких разрядностях (2–4 бита) с минимальной настройкой, используя спуск по знаковому градиенту и обеспечивая широкую совместимость с аппаратным обеспечением. Подробнее о наших работах [SignRoundV1](https://arxiv.org/pdf/2309.05516) и [SignRoundV2](https://arxiv.org/abs/2512.04746).

Установите `auto-round` (версия ≥ 0.13.0):

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

Чтобы использовать ядро Marlin для более быстрого вывода на CUDA, установите `gptqmodel`:

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

## Загрузка квантованной модели

Загрузите предварительно квантованную модель AutoRound, передав `AutoRoundConfig` в [from_pretrained()](/docs/diffusers/v0.43.0/ru/api/models/overview#diffusers.ModelMixin.from_pretrained). Метод работает с любой моделью, которая загружается через [Accelerate](https://hf.co/docs/accelerate/index) и содержит слои `torch.nn.Linear`.

Вы можете использовать [PipelineQuantizationConfig](/docs/diffusers/v0.43.0/ru/api/quantization#diffusers.PipelineQuantizationConfig) для квантования конкретных компонентов конвейера:

```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")
```

Или загрузите компонент квантованной модели напрямую:

```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 в Diffusers поддерживает только загрузку *предварительно квантованных* моделей. Чтобы выполнить квантование модели с нуля, используйте [CLI или Python API AutoRound](https://github.com/intel/auto-round) напрямую, а затем загрузите результат с помощью Diffusers.

## torch.compile

AutoRound совместим с [`torch.compile`](../optimization/fp16#torchcompile) для более быстрого вывода. Вы можете скомпилировать квантованный трансформер (DiT) для лучшей производительности:

```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)
```

## Бэкенды

AutoRound поддерживает несколько бэкендов для инференса квантованных моделей с Weight-only квантованием. Бэкенд определяет, какое ядро выполняет деквантование во время прямого прохода. Установите параметр `backend` в `AutoRoundConfig`, чтобы выбрать один из них:

| Бэкенд | Значение | Устройство | Требования | Примечания |
|---------|-------|--------|--------------|-------|
| **Auto** | `"auto"` | Любой | — | По умолчанию. Автоматически выбирает лучший доступный бэкенд. |
| **PyTorch** | `"torch"` | CPU / CUDA | — | Реализация на чистом PyTorch. Максимальная совместимость. |
| **Triton** | `"tritonv2"` | CUDA | `triton` | Ядро на базе Triton для вывода на GPU. |
| **ExllamaV2** | `"exllamav2"` | CUDA | `gptqmodel>=5.8.0` | Хорошая производительность CUDA благодаря ядру ExllamaV2. |
| **Marlin** | `"marlin"` | CUDA | `gptqmodel>=5.8.0` | Лучшая производительность CUDA с помощью ядра 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")
```

## Сохранение и загрузка

AutoRound требует калибровки данных для квантования модели. Это выполняется вне Diffusers с использованием библиотеки [AutoRound](https://github.com/intel/auto-round) напрямую:

```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")
```

Подробнее о вариантах калибровки см. в [документации 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")
```

### Поддерживаемые схемы квантования

AutoRound поддерживает несколько схем:

- **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**(поддерживаются все форматы Q*_K, Q*_0, Q*_1, предоставляемые llamacpp)
- **NVFP4**(экспериментальная функция, рекомендуется экспорт в формат `llm_compressor` с параметрами data_type nvfp4,act_data_type nvfp4,static_global_scale,group_size 16)
- **MXFP4**(**Исследовательская функция, нет реального ядра**, Стандартный MXFP4, data_type mxfp,act_data_type mxfp,bits 4, act_bits 4, group_size 32)
- **MXINT4**(**Исследовательская функция, нет реального ядра**, Стандартный MXINT4, data_type mxint,act_data_type mxint,bits 4, act_bits 4, group_size 32)
- **MXFP4_RCEIL**(**Исследовательская функция, реального ядра нет**, вариант NVIDIA, data_type mxfp, act_data_type mxfp_rceil, bits 4, act_bits 4, group_size 32)
- **MXFP8**(**Исследовательская функция, нет реального ядра**, data_type mxfp,act_data_type mxfp_rceil,group_size 32)
- **FPW8A16**(**Исследовательская функция, нет реального ядра**, data_type fp8,group_size 0->per tensor )
- **FP8_STATIC**(**Исследовательская функция, нет реального ядра**, data_type:fp8,act_data_type:fp8,group_size -1 ->по каналам, act_group_size=0->по тензору)
Кроме того, вы можете изменить `group_size`, `bits`, `sym` и многие другие параметры конфигурации, хотя для них, возможно, не существует реальных ядер.
## Ресурсы
- [Модели AutoRound с предварительным квантованием на Hub](https://huggingface.co/models?search=autoround)

Xet Storage Details

Size:: 9.6 kB
Xet hash:: 96cea80cdd13d21f7c3342d30173c2f0db11f530e72dd004dabc9610853c71cf

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) — это продвинутый инструментарий для квантования. Он обеспечивает высокую точность при сверхнизких разрядностях (2–4 бита) с минимальной настройкой, используя спуск по знаковому градиенту и обеспечивая широкую совместимость с аппаратным обеспечением. Подробнее о наших работах [SignRoundV1](https://arxiv.org/pdf/2309.05516) и [SignRoundV2](https://arxiv.org/abs/2512.04746).

	Установите `auto-round` (версия ≥ 0.13.0):

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

	Чтобы использовать ядро Marlin для более быстрого вывода на CUDA, установите `gptqmodel`:

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

	## Загрузка квантованной модели

	Загрузите предварительно квантованную модель AutoRound, передав `AutoRoundConfig` в [from_pretrained()](/docs/diffusers/v0.43.0/ru/api/models/overview#diffusers.ModelMixin.from_pretrained). Метод работает с любой моделью, которая загружается через [Accelerate](https://hf.co/docs/accelerate/index) и содержит слои `torch.nn.Linear`.

	Вы можете использовать [PipelineQuantizationConfig](/docs/diffusers/v0.43.0/ru/api/quantization#diffusers.PipelineQuantizationConfig) для квантования конкретных компонентов конвейера:

	```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")
	```

	Или загрузите компонент квантованной модели напрямую:

	```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 в Diffusers поддерживает только загрузку предварительно квантованных моделей. Чтобы выполнить квантование модели с нуля, используйте [CLI или Python API AutoRound](https://github.com/intel/auto-round) напрямую, а затем загрузите результат с помощью Diffusers.

	## torch.compile

	AutoRound совместим с [`torch.compile`](../optimization/fp16#torchcompile) для более быстрого вывода. Вы можете скомпилировать квантованный трансформер (DiT) для лучшей производительности:

	```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)
	```

	## Бэкенды

	AutoRound поддерживает несколько бэкендов для инференса квантованных моделей с Weight-only квантованием. Бэкенд определяет, какое ядро выполняет деквантование во время прямого прохода. Установите параметр `backend` в `AutoRoundConfig`, чтобы выбрать один из них:

	\| Бэкенд \| Значение \| Устройство \| Требования \| Примечания \|
	\|---------\|-------\|--------\|--------------\|-------\|
	\| Auto \| `"auto"` \| Любой \| — \| По умолчанию. Автоматически выбирает лучший доступный бэкенд. \|
	\| PyTorch \| `"torch"` \| CPU / CUDA \| — \| Реализация на чистом PyTorch. Максимальная совместимость. \|
	\| Triton \| `"tritonv2"` \| CUDA \| `triton` \| Ядро на базе Triton для вывода на GPU. \|
	\| ExllamaV2 \| `"exllamav2"` \| CUDA \| `gptqmodel>=5.8.0` \| Хорошая производительность CUDA благодаря ядру ExllamaV2. \|
	\| Marlin \| `"marlin"` \| CUDA \| `gptqmodel>=5.8.0` \| Лучшая производительность CUDA с помощью ядра 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")
	```

	## Сохранение и загрузка

	AutoRound требует калибровки данных для квантования модели. Это выполняется вне Diffusers с использованием библиотеки [AutoRound](https://github.com/intel/auto-round) напрямую:

	```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")
	```

	Подробнее о вариантах калибровки см. в [документации 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")
	```

	### Поддерживаемые схемы квантования

	AutoRound поддерживает несколько схем:

	- 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(поддерживаются все форматы Q_K, Q_0, Q*_1, предоставляемые llamacpp)
	- NVFP4(экспериментальная функция, рекомендуется экспорт в формат `llm_compressor` с параметрами data_type nvfp4,act_data_type nvfp4,static_global_scale,group_size 16)
	- MXFP4(Исследовательская функция, нет реального ядра, Стандартный MXFP4, data_type mxfp,act_data_type mxfp,bits 4, act_bits 4, group_size 32)
	- MXINT4(Исследовательская функция, нет реального ядра, Стандартный MXINT4, data_type mxint,act_data_type mxint,bits 4, act_bits 4, group_size 32)
	- MXFP4_RCEIL(Исследовательская функция, реального ядра нет, вариант NVIDIA, data_type mxfp, act_data_type mxfp_rceil, bits 4, act_bits 4, group_size 32)
	- MXFP8(Исследовательская функция, нет реального ядра, data_type mxfp,act_data_type mxfp_rceil,group_size 32)
	- FPW8A16(Исследовательская функция, нет реального ядра, data_type fp8,group_size 0->per tensor )
	- FP8_STATIC(Исследовательская функция, нет реального ядра, data_type:fp8,act_data_type:fp8,group_size -1 ->по каналам, act_group_size=0->по тензору)

	Кроме того, вы можете изменить `group_size`, `bits`, `sym` и многие другие параметры конфигурации, хотя для них, возможно, не существует реальных ядер.

	## Ресурсы

	- [Модели AutoRound с предварительным квантованием на Hub](https://huggingface.co/models?search=autoround)