1.利用TPU-MLIR实现LLM INT8量化部署

利用TPU-MLIR实现LLM INT8量化部署

       在年7月的源码进展中，我们已经成功将ChatGLM2-6B部署在BMX单芯片上，源码采用F量化模式，源码模型大小达GB，源码elupload源码平均速度约为每秒3个token。源码为了进一步优化效率并减小存储负担，源码我们转向INT8量化部署。源码

       然而，源码传统的源码TPU-MLIR INT8量化策略对大型语言模型（LLM）并不适用。PTQ校准和QAT训练在LLM上成本高昂，源码可能需要1-2天，源码.net免费源码下载且量化带来的源码误差在LLM中难以收敛，会导致精度大幅下降。源码因此，源码我们采取了ChatGLM2的源码W8A策略，只对GLMBlock中的引导页下载源码Linear Layer权重进行通道级量化，运算时恢复到F，这样可以保持%以上的余弦相似度，几乎无精度损失。

       在TPU-MLIR编译器的lowering阶段，我们特别处理了MatMul算子，android 读取网页源码针对权重维数为2的线性层，将其转换为W8AMatMul算子。如ChatGLM2的一个MatMul示例中，量化后的权重存储空间从MB降至MB，Scale数据仅占0.MB，js打印插件源码存储空间减半。具体实现和源码可以在TPU-MLIR仓库查看。

       性能提升的关键在于W8AMatMul的后端优化。TPU架构中，W8A通过量化右矩阵数据，减少数据搬运时间，尤其当左矩阵数据量小而右矩阵数据量大时，性能提升更为显著。在LLM的推理过程中，prefill阶段的输入数据量取决于模型支持的最大文本长度，而decode阶段的输入固定，这决定了W8A在不同的阶段效果不同。

       将W8A应用到ChatGLM2-6B后的性能数据显示，这种策略显著地改善了模型的部署效率和存储效率。具体效果，通过详细的性能测试，我们可以看到显著的提升。