量化

MindIE SD 提供两类量化能力，分别作用于模型的不同部分：

• Linear 量化：对线性层的权重和激活值进行低比特处理（INT8/FP8/W8A16 等），减少模型存储空间和计算开销。
• FA 量化：对注意力计算中的 Q/K/V 激活值进行 FP8 块量化，降低注意力计算的显存带宽需求。

以下两节分别介绍两种量化的原理和使用方法。

Linear量化

通用原理

量化是将模型的权重（weight）和激活值（activation）从高精度（如 FP32）映射到低精度（如 INT8、FP8）的过程。低精度计算可以减少显存占用和带宽需求，提升推理吞吐。

量化根据是否需要重训练，分为训练后量化（Post-Training Quantization, PTQ）和量化感知训练（Quantization-Aware Training，QAT）。本章节以 PTQ 量化为主，主要分为以下三种类型：

• 动态量化：仅离线量化权重，在推理时动态计算激活值的量化因子。
• 静态量化：权重和激活值都是离线量化。
• Time-Aware 量化：根据时间维度动态调整量化策略。

下图展示了 INT8 量化示例，将 FP32 映射到 INT8。其中 [-max(xf), max(xf)] 是量化前浮点范围，[-128, 127] 是量化后范围。

技术特点

本仓库通过 quantize 接口统一处理 Linear 量化，支持以下算法。

权重量化（仅量化权重，激活值保持原始精度）：

算法	权重精度	说明
W8A16	INT8	基础权重量化
W4A16	INT4	更高压缩比
W4A16_AWQ	INT4 + AWQ	激活感知的权重量化
W8A16_GPTQ	INT8 + GPTQ	基于 GPTQ 后训练的权重量化
W4A16_GPTQ	INT4 + GPTQ	同上，INT4 版本

权重激活量化（权重和激活值均量化，计算在低精度下完成）：

算法	量化粒度	说明
W8A8	逐层	基础 INT8 权重激活量化
W8A8_TIMESTEP	逐层 + 时间步	推理中动态切换量化策略
W8A8_DYNAMIC	逐层	激活值动态量化
W8A8_PER_CHANNEL	逐通道	按通道粒度量化
W8A8_PER_TENSOR	逐张量	按张量粒度量化
W8A8_MXFP8	逐层	MXFP8 格式量化
W4A4_DYNAMIC	逐 token + 逐通道	INT4 权重激活量化
W4A4_MXFP4_SVD	逐层	MXFP4 格式量化
W4A4_MXFP4_DUALSCALE	逐层	MXFP4 双尺度量化
W4A4_MXFP4_DYNAMIC	逐 token + 逐通道	MXFP4 动态量化

接口和使用

所有 Linear 量化算法通过 quantize 接口统一触发。

from mindiesd import quantize

参数说明

参数	类型	必选	默认值	说明
model	nn.Module	是	-	已初始化的浮点模型
quant_json_path	str	是	-	量化描述符 JSON 路径，包含量化算法、层配置等信息

使用示例

基础量化：

model = from_pretrain()
model = quantize(model, "quant_model_description_w8a16_0.json")
model.to("npu")

时间步量化：

from mindiesd import TimestepManager

model = quantize(model, "quant_model_description_w8a8_timestep_0.json",
                 timestep_policy=TimestepPolicyConfig(...))

for i, t in enumerate(timesteps):
    TimestepManager.set_timestep_idx(i)
    ...

量化权重文件命名

量化权重和描述符文件由 msmodelslim 工具导出，命名规则如下：

• 权重文件：quant_model_weight_{quant_algo.lower()}_{rank}.safetensors
• 描述符文件：quant_model_description_{quant_algo.lower()}_{rank}.json

单卡量化时 rank 为 0，多卡并行时各 rank 分别对应其编号。

FA量化

通用原理

FA（Flash Attention）量化针对注意力计算中的 Q/K/V 激活值进行低比特处理。将 Q/K/V 量化为 FP8 后再送入注意力计算内核，可显著降低显存带宽需求，提升推理吞吐。与权重量化不同，FA 量化处理的是推理过程中动态产生的激活值，需要块级别的动态量化策略来平衡精度和加速效果。

技术特点

本仓库通过 FP8_DYNAMIC 算法提供 FA 量化能力，其处理流程分为三步：

旋转（Rotate）

对 Q 和 K 施加预训练的旋转矩阵（q_rot、k_rot），将异常值分散到各维度，缓解 FP8 量化对异常值的敏感性。

块量化（Block Quant）

将旋转后的 Q/K/V 按块动态量化为 FP8（float8_e4m3fn）。Q 的量化块大小为 128，K/V 的量化块大小为 256，通过 npu_dynamic_block_quant 算子完成。

FP8 Attention

调用昇腾 npu_fused_infer_attention_score_v2 内核，在 FP8 域内完成注意力计算，输出结果反量化为原始精度。

接口说明

FA 量化通过 quantize 接口统一触发，无需单独调用 FA 量化接口。

from mindiesd import quantize

使用示例

from mindiesd import quantize

# 加载原始浮点模型
model = from_pretrain()

# 执行量化转换（自动识别 Attention 层并注入 FA 量化）
model = quantize(model, "导出的量化配置文件路径")

# 模型移至 NPU 后执行推理
model.to("npu")

quantize 内部遍历模型各层，对匹配的 Attention 层自动调用 add_fa_quant，注入 FP8RotateQuantFA 模块，替换前向计算为旋转→块量化→FP8 Attention 的流程。

FA 量化层通过 FP8RotateQuantFA 模块实现，见本节的旋转→块量化→FP8 Attention 流程说明。

注意事项

• 硬件要求：仅 Atlas 800I A2 推理服务器支持此特性。
• Q/K/V 输入布局支持 BNSD 和 BSND。
• FA 量化权重（q_rot、k_rot）需通过大模型压缩工具 msmodelslim 预先导出，详情请参见 msmodelslim 工具说明。