awq-quantization

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 |

Quantizzazione del peso in base all'attivazione per la compressione LLM a 4 bit con accelerazione 3 volte superiore e perdita di precisione minima. Da utilizzare quando si distribuiscono modelli di grandi dimensioni (7B-70B) su memoria GPU limitata, quando è necessaria un'inferenza più rapida rispetto a GPTQ con una migliore conservazione della precisione o per modelli multimodali e ottimizzati per le istruzioni. Vincitore del premio MLSys 2024 Best Paper Award. Fonte: orchestra-research/ai-research-skills.