HIGGS

HIGGSは、Hadamard前処理とMSE最適量子化グリッドを組み合わせることで、量子化誤差を低減し、最先端の性能を実現するゼロショット量子化アルゴリズムです。

HIGGSのランタイムサポートは、FLUTEライブラリを通じて実装されています。現在サポートされているのは、Llama 3およびLlama 3.0の70Bと405Bバリアント、ならびにGemma 2の8Bと27Bバリアントのみです。また、HIGGSは現在、量子化されたトレーニングおよびバックワードパスを一般にサポートしていません。

FLUTEをインストールするには、以下のコマンドを実行してください。

CUDA 12.1

CUDA 11.8

モデルを量子化するためのビット数を指定して、HiggsConfig を作成します。

from transformers import AutoModelForCausalLM, AutoTokenizer, HiggsConfig

model = AutoModelForCausalLM.from_pretrained(
    "google/gemma-2-9b-it",
    quantization_config=HiggsConfig(bits=4),
    device_map="auto",
)

HIGGSで事前量子化されたモデルは、ISTA-DASLabの公式コレクションでご利用いただけます。

torch.compile

HIGGS は torch.compile と完全に互換性があります。

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer, HiggsConfig

model = AutoModelForCausalLM.from_pretrained(
    "google/gemma-2-9b-it",
    quantization_config=HiggsConfig(bits=4),
    device_map="auto",
)

model = torch.compile(model)

Llama-3.1-8B-Instruct を RTX4090 で実行した場合のフォワードパス/秒のベンチマークについては、以下の表を参照してください。

バッチサイズ	BF16（`torch.compile`を使用）	HIGGS 4bit(`torch.compile`なし)	HIGGS 4bit(`torch.compile`を使用)
1	59	41	124
4	57	42	123
16	56	41	120

Update on GitHub

Transformers

HIGGS

torch.compile