微软开源爆火1bit大模型推理框架！千亿参数模型量化后单CPU可跑

摘要： 北京时间月日中国大满贯女单决赛国乒内战王曼昱以逆转何卓佳晋级半决赛五局比分王曼昱成为第二位晋级四强的选手她在半西风发自凹非寺量子位公众号微软开源大模型推理框架现在亿参数大模型量化后...

北京时间10月4日，WTT中国大满贯女单1/4决赛，国乒内战，王曼昱以4-1逆转何卓佳晋级半决赛，五局比分：11-13、11-5、11-4、11-5、11-9。王曼昱成为第二位晋级四强的选手，她在半....

西风 发自 凹非寺

量子位 | 公众号 QbitAI

微软开源1bit大模型推理框架！

现在1000亿参数大模型量化后单CPU可跑，速度可达每秒5-7个token。

比如在苹果M2新品上运行BitNet b1.58 3B模型，be like：

就是今年爆火论文The Era of 1-bit LLMs的 代码实现，开源不到一周GitHub已揽获7.9k Star。

传统大模型参数以16位浮点数（如FP16或BF16）形式的存储，而BitNet b1.58将其统统变成了三进制，也就是 {-1, 0, 1}。

这里的“1.58 bit”指每个参数可以用1.58位的信息来表示。

转换之后，矩阵中的计算就只会涉及到加法，因此会让大模型在保持一定精度的同时，显著减少所需的存储空间和计算资源，也显著提升了在本地设备上运行LLM的可能性。

这个项目开源后，在X上也受到了一波高度关注。

bitnet.cpp是1bit LLM（例如 BitNet b1.58）的 推理框架。

该框架配备了一系列优化内核，支持在CPU上进行快速且无损的1.58bit模型推理，未来将扩展支持NPU和GPU。

bitnet.cpp的首版主要支持CPU推理。

具体性能改进方面，在ARM CPU上，该框架可实现1.37至5.07倍的加速，而且更大的模型将有更显著的性能提升。

同时，它能将能耗降低55.4%至70.0%，进一步增 率。

在x86 CPU上，加 果介于2.37至6.17倍之间，能耗减少71.9%至82.2%。

网友们也发现了华点，在x86上的性能增益量比ARM更大。

此外，bitnet.cpp能使千亿参数模型量化后单CPU可跑，速度可达每秒5-7个token，接近人类阅读速度。

微软还展示了使用bitnet.cpp推理框架支持的不同1 bit LLM。

1 bit LLM的实现方法，微软在一年前就有相关研究，称为BitNet（一种Tran ormer），用BitLinear替换了nn.Linear。

今年二月，BitNet原班人马在上一篇论文的基础之上做了优化，提出BitNet b1.58，在原始BitNet的基础上增 一个额外的0值。

然后这篇内容只有6页的论文引发热议：

BitNet b1.58模型的权重被量化为三元值{-1, 0, 1}，相当于在二进制系统中使用了1.58 bit来表示每个权重。

采用了ab ean量化函数来约束权重，将权重矩阵通过其平均绝对值进行缩放，然后四舍五入到最接近的整数值（-1、0或1）。

量化中， 值被缩放到[−Qb, Qb]的范围，以此来 零点量化。

在架构设计上，BitNet b1.58借鉴了Llama，使用了RMSNorm、SwiGLU、旋转位置编码等组件，并移除了所有偏置项。这种设计使其能够轻松集成到主流的开源框架中。

实验中，与Llama相比，BitNet b1.58在矩阵乘法方面节省了71.4倍的计算能耗。

这种方法发布后，也有不少人在这项研究的基础之上进行探索。

其中一个问题是，BitNet b1.58将每个参数仅用三元值表示，但是所有这些都需要从头开始训练模型，并不是谁都有预算来进行LLM预训练。

而Huggingface Tran ormers最近整合了BitNet b1.58，运用了一些技巧，使得现有模型可以直接微调到1.58bit。

感兴趣的童鞋可以自行查阅。

不过也有网友指出了这种方法的局限：

总之，1 bit LLM具有巨大的潜力。

但也正如网友所言，1 bit LLM关键还得是能在实践中证明自己。

参考链接：
[1]https://github.com/microsoft/BitNet
[2]https://x.com/rohan ul_ai/st us/1847814379657462201
[3]https://x.com/rohan ul_ai/st us/1848172443258728860?s=46&t=iTysI4vQLQqCNJjSmBODPw
[4]https://huggingface.co/blog/zh/1_58_llm_extreme_quantiz ion