大模型，如今堪称AI界的「吞金巨兽」。
从写诗到解题，从对话到编程，它们几乎无所不能，但动辄千亿甚至万亿参数的规模，让部署成本高得离谱。
以FP16精度部署的DeepSeek-R1 671B为例，推理时大概需要1342GB的显存，如果是32GB 5090显卡，需要整整42张！
为了降低成本，天才工程师们想出了后训练量化（Post-training Quantization，PTQ）的方法，它能够在有限的校准数据和计算资源下对模型进行高效压缩。
但是PTQ依然带来新的问题——在极低比特精度（如W2A16、W4A4）时往往会出现明显的性能下降，规模是降了，但是不好用了！
就在这关键时刻，华为诺亚方舟实验室联合中科大亮出了「杀手锏」——CBQ（Cross-Block Quantization），一种基于跨块重建的后训练量化方案。
论文地址：https://openreview.net/pdf?id=eW4yh6HKz4
相比量化感知训练（QAT）所需数据量，CBQ仅用0.1%的训练数据，一键压缩大模型至1/7体积——浮点模型性能保留99%，真正实现「轻量不降智」。
值得一提的是，这项成果已荣登ICLR 2025 Spotlight（录取率仅5%）。
它不仅展现了大模型压缩领域的创新性和实用性，更像一颗信号弹，宣告大模型在国产算力上的普及时代已然来临！
目前，CBQ已作为可调用的算法之一，正式加入昇腾模型压缩工具包ModelSlim，帮助开发者在昇腾芯片上实现LLM的高效部署。
极低比特量化，为何如此难？
长期以来，后训练量化（PTQ）一直是压缩大语言模型的「黑科技」——通过解决异常值和采用layer-wise或block-wise的loss优化技术取得了比较不错的结果。
但是当把参数比特「压得特别低」的时候，模型性能会严重下降。
为什么极低比特量化，如此困难？其实，答案隐藏在大模型的复杂结构中。
研究者们对LLM在低比特量化场景下的量化误差进行了深入分析，发现了问题的关键所在：
随着模型参数数量的增加和量化bit数的减少，模型内部的层间依赖（inter-layer dependencies）和层内依赖（intra-layer dependencies）会显著增强，这严重影响了量化精度。
如下实验所示，清晰展示了LLAMA-7B层间与层内的依赖关系。
图1：Llama-7B内部权重和层之间依赖关系的变化，以及层间缩放因子（scale）对误差的影响
图1（a）为LLAMA-7B单一层中权重的Hessian矩阵绝对值可视化，2-bit图比4-bit更模糊，非对角线噪声增多，表示在低比特下权重间的「干扰」增强了。
图1（b）为LLAMA-7B 32层中损失相对于scale的Hessian矩阵可视化，在2-bit量化中，非对角线明显比4-bit更亮，说明层间依赖增强，模型更容易因为一层的误差影响到另一层。
以及图1（c）LLAMA-7B前两个Transformer块的平均scale与相应损失之间的关系，4-bit情况下，误差平稳区域大，模型对 scale 不敏感。2-bit情况下，误差对scale非常敏感，选择不当误差急剧上升，黑色区域更集中、易出错。
总结来说，将模型参数从高精度压缩到低精度，这一过程主要面临三大核心挑战：
1. 层间依赖的「雪球效应」
大模型由多个Transformer层组成，各层参数之间存在复杂的相互依赖。
在极低比特量化时，量化误差会在层间不断累积放大，就像「滚雪球」一样，导致整体性能严重下降。
然而，传统逐层量化的方法，无法有效捕捉这些层间依赖，进而造成了精度损失。
2. 层内依赖的复杂性
同一层内的参数并非独立存在，而是存在紧密的关联性。
极低比特量化会破坏这些精细的层内依赖，导致模型在处理复杂任务时「力不从心」。
比如，大模型语义理解或推理能力，可能因参数精度的降低而显著退化。
3. 权重和激活的异常值
模型的权重和激活值中的异常值，在低比特量化时会引发较大的误差。
传统的方法无法精确识别和处理这些异常值，进一步加剧了量化误差。
可见，这些挑战让低比特量化，成为大模型压缩的「拦路虎」。
那么，华为的CBQ方案，是如何突破这些瓶颈？让我们一探究竟！
CBQ打破层间壁垒，精准又高效
CBQ的核心思想是，通过跨块依赖（Cross-Block Dependency, CBD）机制和自适应LoRA-Rounding技术，同时优化多个Transformer块的量化参数，从而更好地保留模型内部的依赖关系。
具体来说，它通过三大技术创新，为极低比特量化注入了全新活力。
跨块依赖机制（CBD）
刚刚也提到，传统量化方法采用逐层优化，却忽视了层间依赖的复杂性。
CBQ引入了CBD机制，通过滑动窗口的方式，同时优化多个Transformer块，并且相邻窗口之间会有重叠的块，以确保块之间的连接性和协作性。
这种方法，可以有效地捕捉到模型内部的长距离依赖关系，使得相邻的块能够共同参与到量化过程中，从而提高整体的量化性能。
在实验中，随着滑动窗口中块的数量增加，模型的性能也得到了显著提升。
自适应LoRA-Rounding技术
为了应对层内依赖的复杂性，CBQ提出了自适应LoRA-Rounding技术，通过两个低秩矩阵来学习量化权重的自适应补偿值。
与传统的AdaRound方法相比，LoRA-Rounding通过低秩分解大大减少了可学习参数，训练速度更快，GPU内存消耗更低。
这种方法能够在训练过程中动态调整权重的量化精度，从而更好地适应模型的内部结构和数据分布。
粗到细的预处理策略（CFP）
针对异常值问题，CBQ采用了粗到细的预处理策略（Coarse-to-Fine Preprocessing, CFP）。
CFP策略从统计学的角度出发，通过分阶段检测和处理权重和激活中的异常值。
在粗粒度检测阶段，通过计算四分位数和四分位距来初步估计异常值的范围；在细粒度检测阶段，通过最小化异常值子集与正常值子集之间的距离，同时最大化子集内部的方差，来精确识别异常值的位置。
这种分阶段策略，有效减少了量化误差，确保模型在低比特场景下依然「稳如泰山」。
那么，CBQ在场景中的真实表现又如何呢？
实验结果：性能与效率的双赢
一系列研究结果显示，CBQ在华为盘古模型和开源模型的表现上，大放异彩。
盘古模型：端侧部署「杀手锏」
CBQ量化技术已成功应用于华为盘古大模型PanGu-7B和PanGu-1.5B的端侧部署，凭借其高精度的量化性能，有效支撑了盘古大模型在多个业务场景的落地应用。
如下表所示，在W8A8/W4A16精度下，PanGu-1.5B模型在中文（C-Eval/CMMLU）、多任务语言理解（MMLU）基准中的表现，毫不逊色于全精度模型的性能。
在中文、多语言理解、数学基准中，PanGu-7B的表现同样如此。
这些成果，足以让盘古模型在手机等终端设备上，轻松运行。
开源模型：超越最优
此外，CBQ在多个开源LLM（如OPT、LLaMA）上也取得了SOTA。
例如，在W4A16、W2A16和W4A8等低比特量化设置下，CBQ的性能均优于现有的最先进方法，并且与全精度模型的性能差距缩小到了1%以内。
更令人惊叹的是，CBQ仅需4.3小时即可完成对4位权重的LLaMA1-65B模型的量化，展现了压缩率与精度之间的完美平衡（trade-off）。
未来展望
华为的CBQ方案，以跨块依赖机制、自适应LoRA-Rounding技术，以及粗到细的预处理策略，成功征服了极低比特量化的「三大高峰」。
这项创新有效地解决了，大模型在低比特量化场景下所面临的层间依赖和层内依赖难题。
它不仅在多种大语言模型和数据集上展现出了显著的性能提升，成功缩小了与全精度模型之间的差距，还以高效的量化效率实现了复杂模型的快速压缩。
最终，让盘古和各类开源模型，成功实现了在昇腾硬件上的高效部署，并为更加广泛的应用铺就坦途。
