HIGGS

HIGGS é um algoritmo de quantização zero-shot que combina o pré-processamento Hadamard com grades de quantização MSE-Optimal para alcançar menor erro de quantização e desempenho de estado da arte.

O suporte em tempo de execução para HIGGS é implementado por meio da biblioteca FLUTE. Atualmente, apenas as variantes de 70B e 405B do Llama 3 e Llama 3.0, bem como as variantes de 8B e 27B do Gemma 2, são suportadas. O HIGGS também não suporta, no momento, treinamento quantizado e passes de retropropagação em geral.

Execute o comando abaixo para instalar o FLUTE.

pip install flute-kernel

pip install flute-kernel -i https://flute-ai.github.io/whl/cu11.8

Crie um HiggsConfig com o número de bits para quantizar um modelo.

from transformers import AutoModelForCausalLM, AutoTokenizer, HiggsConfig

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

Encontre modelos pré-quantizados com HIGGS na coleção oficial do ISTA-DASLab.

torch.compile

HIGGS é totalmente compatível com torch.compile.

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)

Consulte a tabela abaixo para um benchmark de passes de forward/seg para o Llama-3.1-8B-Instruct em uma RTX4090.