Buckets:

hf-doc-build
/

doc

Files

xet

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

mishig

2 days ago

preview code

download

raw

4.98 kB

# BFL (fp8r / nvfp4)

[Black Forest Labs](https://huggingface.co/black-forest-labs) phát hành các biến thể lượng tử hóa của các transformer [Flux3](../api/pipelines/flux3) của mình theo hai phương án, được lưu dưới dạng checkpoint đơn file đặt cạnh trọng số bf16 gốc:

- `fp8r`: FP8 theo hàng. Mỗi tuyến tính lượng tử hóa lưu một `weight` E4M3 và một `weight_scale` fp32 cho từng hàng. Các kích hoạt được lượng tử hóa thành E4M3 theo hàng tại thời điểm chạy.
- `nvfp4`: NVFP4 trong bố cục [ModelOpt](https://github.com/NVIDIA/Model-Optimizer). Mỗi tuyến tính đã lượng tử hóa lưu trữ một `weight` E2M1 đã đóng gói (hai giá trị trên mỗi byte), các thang đo khối E4M3 của 16 (`weight_scale`), một `weight_scale_2` fp32 toàn cục và một thang đo kích hoạt fp32 đã hiệu chuẩn `input_scale`.

Diffusers nạp cả hai thông qua `~FromSingleFileMixin.from_single_file` với một [BFLQuantizationConfig](/docs/diffusers/v0.43.0/vi/api/quantization#diffusers.BFLQuantizationConfig). Phương thức được đọc từ checkpoint, do đó cùng một config hoạt động cho cả hai tệp. Chỉ hỗ trợ nạp các checkpoint đã lượng tử hóa trước; không hỗ trợ nạp ở cấp pipeline.

Ví dụ dưới đây nạp checkpoint `fp8r` của [FLUX 3 Image Klein Base](https://huggingface.co/black-forest-labs/flux-3-image-klein-base), nằm tại `variants/fp8r/model.safetensors` trong kho mô hình. Truyền `config` để cấu hình mô hình được đọc từ thư mục Diffusers của kho đó, sau đó nạp các thành phần khác theo tên (xem [Tải tệp đơn](../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")
```

Thay `variants/fp8r` bằng `variants/nvfp4` để nạp biến thể `nvfp4`. Phiên bản step-distilled của [FLUX 3 Image Klein](https://huggingface.co/black-forest-labs/flux-3-image-klein) cũng đi kèm hai biến thể tương tự; hãy nạp chúng bằng cách sử dụng repository id của nó làm `config` và pipeline.

## Kernels

Trọng lượng đã lượng tử hóa vẫn được lưu trữ ở kiểu dữ liệu độ chính xác thấp. GEMM nào được thực thi phụ thuộc vào thiết bị:

| Phương án | Lõi đã hợp nhất | Yêu cầu |
|---|---|---|
| `fp8r` | `torch._scaled_mm` với các thang đo theo hàng | GPU CUDA với khả năng tính toán 8.9 trở lên |
| `nvfp4` | `flashinfer.mm_fp4` (CUTLASS) với `flashinfer.nvfp4_quantize` cho các activation | GPU Blackwell (khả năng tính toán 10.0 trở lên), bộ công cụ CUDA có `nvcc`, và `flashinfer-python` cùng `flashinfer-cubin` ở cùng phiên bản |

Cài đặt hai gói FlashInfer cùng một phiên bản, ví dụ `pip install flashinfer-python==0.6.13 flashinfer-cubin==0.6.13`. Bản phát hành `flashinfer-cubin` có thể chậm hơn `flashinfer-python`, và FlashInfer sẽ từ chối import nếu các phiên bản khác nhau.

FlashInfer biên dịch các kernel NVFP4 của nó khi lần đầu sử dụng bằng bộ công cụ CUDA của môi trường và chọn kiến trúc đích từ GPU hiển thị (hoặc từ `FLASHINFER_CUDA_ARCH_LIST` nếu được đặt). Các GPU Blackwell dành cho người dùng và workstation (khả năng tính toán 12.0) cần bộ công cụ CUDA phiên bản 12.9 trở lên. Với bộ công cụ cũ hơn, FlashInfer sẽ không tìm thấy kiến trúc phù hợp và lời gọi NVFP4 đầu tiên sẽ thất bại với `FlashInfer requires GPUs with sm75 or higher`.

Trên bất kỳ thiết bị nào khác, trọng số sẽ được khử lượng hóa thành `compute_dtype` trong mỗi lần truyền thuận và lớp sẽ chạy như một lớp tuyến tính thông thường. Trong trường hợp đó, các kích hoạt không được lượng hóa, do đó đầu ra sẽ khác biệt nhẹ so với các kernel đã hợp nhất.

Xet Storage Details

Size:: 4.98 kB
Xet hash:: f9580ee6251bf550d00dfe03ef8681d040e9ef05799f9653c6c8c3f5618ba30b

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) phát hành các biến thể lượng tử hóa của các transformer [Flux3](../api/pipelines/flux3) của mình theo hai phương án, được lưu dưới dạng checkpoint đơn file đặt cạnh trọng số bf16 gốc:

	- `fp8r`: FP8 theo hàng. Mỗi tuyến tính lượng tử hóa lưu một `weight` E4M3 và một `weight_scale` fp32 cho từng hàng. Các kích hoạt được lượng tử hóa thành E4M3 theo hàng tại thời điểm chạy.
	- `nvfp4`: NVFP4 trong bố cục [ModelOpt](https://github.com/NVIDIA/Model-Optimizer). Mỗi tuyến tính đã lượng tử hóa lưu trữ một `weight` E2M1 đã đóng gói (hai giá trị trên mỗi byte), các thang đo khối E4M3 của 16 (`weight_scale`), một `weight_scale_2` fp32 toàn cục và một thang đo kích hoạt fp32 đã hiệu chuẩn `input_scale`.

	Diffusers nạp cả hai thông qua `~FromSingleFileMixin.from_single_file` với một [BFLQuantizationConfig](/docs/diffusers/v0.43.0/vi/api/quantization#diffusers.BFLQuantizationConfig). Phương thức được đọc từ checkpoint, do đó cùng một config hoạt động cho cả hai tệp. Chỉ hỗ trợ nạp các checkpoint đã lượng tử hóa trước; không hỗ trợ nạp ở cấp pipeline.

	Ví dụ dưới đây nạp checkpoint `fp8r` của [FLUX 3 Image Klein Base](https://huggingface.co/black-forest-labs/flux-3-image-klein-base), nằm tại `variants/fp8r/model.safetensors` trong kho mô hình. Truyền `config` để cấu hình mô hình được đọc từ thư mục Diffusers của kho đó, sau đó nạp các thành phần khác theo tên (xem [Tải tệp đơn](../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")
	```

	Thay `variants/fp8r` bằng `variants/nvfp4` để nạp biến thể `nvfp4`. Phiên bản step-distilled của [FLUX 3 Image Klein](https://huggingface.co/black-forest-labs/flux-3-image-klein) cũng đi kèm hai biến thể tương tự; hãy nạp chúng bằng cách sử dụng repository id của nó làm `config` và pipeline.

	## Kernels

	Trọng lượng đã lượng tử hóa vẫn được lưu trữ ở kiểu dữ liệu độ chính xác thấp. GEMM nào được thực thi phụ thuộc vào thiết bị:

	\| Phương án \| Lõi đã hợp nhất \| Yêu cầu \|
	\|---\|---\|---\|
	\| `fp8r` \| `torch._scaled_mm` với các thang đo theo hàng \| GPU CUDA với khả năng tính toán 8.9 trở lên \|
	\| `nvfp4` \| `flashinfer.mm_fp4` (CUTLASS) với `flashinfer.nvfp4_quantize` cho các activation \| GPU Blackwell (khả năng tính toán 10.0 trở lên), bộ công cụ CUDA có `nvcc`, và `flashinfer-python` cùng `flashinfer-cubin` ở cùng phiên bản \|

	Cài đặt hai gói FlashInfer cùng một phiên bản, ví dụ `pip install flashinfer-python==0.6.13 flashinfer-cubin==0.6.13`. Bản phát hành `flashinfer-cubin` có thể chậm hơn `flashinfer-python`, và FlashInfer sẽ từ chối import nếu các phiên bản khác nhau.

	FlashInfer biên dịch các kernel NVFP4 của nó khi lần đầu sử dụng bằng bộ công cụ CUDA của môi trường và chọn kiến trúc đích từ GPU hiển thị (hoặc từ `FLASHINFER_CUDA_ARCH_LIST` nếu được đặt). Các GPU Blackwell dành cho người dùng và workstation (khả năng tính toán 12.0) cần bộ công cụ CUDA phiên bản 12.9 trở lên. Với bộ công cụ cũ hơn, FlashInfer sẽ không tìm thấy kiến trúc phù hợp và lời gọi NVFP4 đầu tiên sẽ thất bại với `FlashInfer requires GPUs with sm75 or higher`.

	Trên bất kỳ thiết bị nào khác, trọng số sẽ được khử lượng hóa thành `compute_dtype` trong mỗi lần truyền thuận và lớp sẽ chạy như một lớp tuyến tính thông thường. Trong trường hợp đó, các kích hoạt không được lượng hóa, do đó đầu ra sẽ khác biệt nhẹ so với các kernel đã hợp nhất.