# 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/main/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/main/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)