TorchAO 0.9.0发布:稀疏化技术升级与量化API重大革新
项目简介
TorchAO是PyTorch生态系统中的一个重要组件,专注于模型优化技术的研究与实现。作为PyTorch官方支持的模型优化工具库,TorchAO提供了包括量化、稀疏化等多种模型优化技术,帮助开发者在不显著损失模型精度的情况下,大幅提升模型推理和训练效率。
核心亮点
块稀疏技术正式发布
在0.9.0版本中,块稀疏技术从实验状态正式晋升为稳定功能。这项技术通过将权重矩阵划分为固定大小的块,并智能地选择保留或丢弃整个块,实现了模型的高效压缩和加速。
使用方式极为简洁:
from torchao.sparsity import sparsify, block_sparse_weight
sparsify_(model, block_sparse_weight(blocksize=64))
性能表现令人印象深刻,在Meta-Llama-3.1-8B模型上的测试显示:
- 使用64x64块大小和90%稀疏率时,解码速度提升近2倍(262.94 tok/s vs 134.40 tok/s)
- 模型大小从15.01GB压缩至4.88GB,减少了67%
量化API重大重构
0.9.0版本对量化API进行了全面重构,从基于可调用对象的配置方式转向更直观的配置对象模式。这一变化带来了三大优势:
- 与生态系统其他组件保持更好的一致性
- 配置实例化后可进行详细检查
- 消除了常见的混淆来源
新旧API对比示例:
# 旧版API(0.8.0及之前)
quantize_(model, int8_weight_only(group_size=128))
# 新版API(0.9.0及之后)
quantize_(model, Int8WeightOnlyConfig(group_size=128))
虽然旧版API仍可继续使用,但建议开发者逐步迁移到新版配置对象模式。
关键技术进展
超级掩码技术
0.9.0引入了Supermask技术,通过在训练阶段学习块稀疏掩码,显著提升了稀疏模型的精度。这一技术特别适合需要高精度稀疏模型的场景。
典型使用流程:
# 训练阶段使用Supermask
sparsify_(model, lambda x: SupermaskLinear.from_linear(x, block_size=64, sparsity_level=0.9))
# 训练完成后转换为标准线性层
sparsify_(model, lambda x: SupermaskLinear.to_linear(x, sparsity_level=0.9))
sparsify_(model, block_sparse_weight(blocksize=64))
4位动态量化新内核
新增了基于CUTLASS的W4A4(4位权重+4位激活)动态量化内核,为超低精度推理提供了新的可能性:
from torchao.quantization import int4_dynamic_activation_int4_weight
quantize_(model, int4_dynamic_activation_int4_weight)
实验性功能
MXFP8和MXFP4训练支持
针对NVIDIA Blackwell GPU,TorchAO 0.9.0提供了MXFP8和MXFP4训练与推理的早期支持。这些微缩格式为下一代硬件上的高效计算铺平了道路。
MX训练示例:
from torchao.prototype.mx_formats import swap_linear_with_mx_linear
config = MXLinearConfig(elem_dtype=torch.float8_e4m3fn, block_size=32)
swap_linear_with_mx_linear(model, config=config)
开发者工具改进
训练优化
- 在float8训练中支持2的幂次缩放因子
- 优化了FSDP内存使用,特别针对float8行级缩放训练
- 改进了float8训练中的配置API,使其更加直观
错误修复
- 修复了torch.intx在FakeQuantizeConfig中的支持问题
- 解决了DDP与nf4量化兼容性问题
- 修正了Marlin量化在SM<8.0设备上的编译问题
文档完善
0.9.0版本大幅更新了文档系统,包括:
- 新增稀疏化入门指南
- 更新支持的dtype列表
- 添加模块交换到张量子类的迁移教程
- 完善了静态量化教程
总结
TorchAO 0.9.0标志着该项目在模型优化技术上迈出了重要一步。块稀疏技术的成熟、量化API的重构以及多项新特性的加入,使得TorchAO在模型压缩和加速领域的能力得到全面提升。对于追求高效AI模型部署的开发者来说,这个版本提供了更多强有力的工具选择。
特别值得注意的是,TorchAO团队在保持API稳定性的同时,积极引入创新技术,如Supermask和MX格式支持,展现了项目的前瞻性。随着PyTorch生态系统的不断发展,TorchAO有望成为模型优化领域不可或缺的核心组件。
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~042CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00openHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!C0297- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选









