利用TPU-MLIR实现LLM INT8量化部署

       在年7月，源码我们已成功将静态设计应用于ChatGLM2-6B在BMX单芯片部署，编译采用F量化模式，源码模型大小为GB，编译易语言进程隐藏源码平均速度为3 token/s。源码为提升效率与降低存储需求，编译我们进一步对模型执行了INT8量化部署。源码

       传统TPU-MLIR的编译INT8量化方案并不适合LLM。这主要是源码由于LLM中PTQ校准或QAT训练成本过高，一轮校准可能需1-2天，编译且量化误差导致模型精度大量损失。源码签到宝源码基于此，编译我们沿用了ChatGLM2的源码W8A策略，对GLMBlock中Linear Layer权重进行per-channel INT8量化存储，编译运算时反量化至F，源码以确保精度损失几乎为零。易飞扬源码

       在编译器的Top至Tpu层lowering阶段，TPU-MLIR自动替换MatMul算子，将权重矩阵切分为W8AMatMul，以区分具有不同矩阵输入的算子。以ChatGLM2中某个MatMul算子为例，任务包源码量化后权重从MB减至MB，额外的Scale使用了0.MB存储，实现近一半的存储空间节省。相关源码可在TPU-MLIR仓库查询。

       性能提升主要源于W8AMatMul后端算子优化。思途 5.0 源码TPU架构下，W8A的计算过程分为5步，通过GDMA与BDC指令并行执行数据搬运与运算，将Local Memory分为两部分，确保效率。当左矩阵数据量较小时，性能瓶颈在于右矩阵数据加载，W8A量化减少数据搬运总量，额外运算时间被覆盖，性能影响可忽略。

       从LLM角度看，推理流程包括prefill与decode。prefill阶段输入词向量补位至最大文本长度，decode阶段固定取前一轮生成的token作为输入。因此，prefill阶段GLMBlock接收数据量大时，W8A性能提升有限，而decode阶段$L_{ row}$恒为1，能实现显著性能提升。

       应用W8A量化后，ChatGLM2-6B整体性能得到优化。具体结果展示如下：