awq-quantization

SKILL.md

4-bit quantization that preserves salient weights based on activation patterns, achieving 3x speedup with minimal accuracy loss.

Timing: 10-15 min for 7B, 1 hour for 70B models.

| Speedup (4-bit) | 2.5-3x | 2x | 1.5x | | Accuracy loss | <5% | 5-10% | 5-15% | | Calibration | Minimal (128-1K tokens) | More extensive | None | | Overfitting risk | Low | Higher | N/A | | Best for | Production inference | GPU inference | Easy integration | | vLLM support | Native | Yes | Limited |

Cuantización de peso consciente de la activación para compresión LLM de 4 bits con aceleración 3x y pérdida mínima de precisión. Úselo cuando implemente modelos grandes (7B-70B) en memoria de GPU limitada, cuando necesite una inferencia más rápida que GPTQ con una mejor preservación de la precisión, o para modelos multimodales y ajustados por instrucciones. Ganador del premio al mejor artículo MLSys 2024. Fuente: orchestra-research/ai-research-skills.

Ver original