国思软件 - 微软6页论文爆火：三进制LLM，真香！

　　金磊发自凹非寺

　　量子位公众号 QbitAI

　　现在，大语言模型（LLM）迎来了“1-bit 时代”。

　　这就是由微软和中国科学院大学在最新一项研究中所提出的结论——

　　所有的 LLM，都将是 1.58 bit 的。

　　具体而言，这项研究提出的方法叫做BitNet b1.58，可以说是从大语言模型“根儿”上的参数下手。

　　将传统以 16 位浮点数（如 FP16 或 BF16）形式的存储，统统变成了三进制，也就是 {-1, 0, 1}。

　　值得注意的是，这里的“1.58 bit”并不是指每个参数占用 1.58 字节的存储空间，而是指每个参数可以用 1.58 位的信息来表示。

　　在如此转换之后，矩阵中的计算就只会涉及到整数的加法，因此会让大模型在保持一定精度的同时，显著减少所需的存储空间和计算资源。

　　例如 BitNet b1.58 在 3B 模型大小时与 Llama 做比较，速度提高了 2.71 倍的同时，GPU 内存使用几乎仅是原先的四分之一。

　　而且当模型的规模越大时（例如 70B），速度上的提升和内存上的节省就会更加显著！

　　这种颠覆传统的思路着实是让网友们眼前一亮，论文在X上也是受到了高度的关注：

　　网友们惊叹“改变游戏规则”的同时，还玩起了谷歌 attention 论文的老梗：

1 bit is all YOU need.

　　那么 BitNet b1.58 具体又是如何实现的？我们继续往下看。

　　把参数变成三进制

　　这项研究实则是原班人马在此前发表的一篇论文基础之上做的优化，即在原始 BitNet 的基础上增加了一个额外的 0 值。

　　整体来看，BitNet b1.58 依旧是基于 BitNet 架构（一种 Transformer），用 BitLinear 替换了 nn.Linear。

　　至于细节上的优化，首先就是我们刚才提到的“加个0”，即权重量化（weight quantization）。

　　BitNet b1.58 模型的权重被量化为三元值{-1, 0, 1}，这相当于在二进制系统中使用了 1.58 bit 来表示每个权重。这种量化方法减少了模型的内存占用，并简化了计算过程。

　　其次，在量化函数设计方面，为了将权重限制在-1、0 或 +1 之间，研究者们采用了一种称为 absmean 的量化函数。

　　这个函数先会根据权重矩阵的平均绝对值进行缩放，然后将每个值四舍五入到最接近的整数（-1, 0, +1）。

　　接下来就到了激活量化（activation quantization）这一步。

　　激活值的量化与 BitNet 中的实现相同，但在非线性函数之前不将激活值缩放到[0, Qb]的范围内。相反，激活值被缩放到[−Qb, Qb]的范围，以此来消除零点量化。

　　值得一提的是，研究团队为了 BitNet b1.58 与开源社区兼容，采用了 LLaMA 模型的组件，如 RMSNorm、SwiGLU 等，使得它可以轻松集成到主流开源软件中。

　　最后，在实验的性能比较上，团队将 BitNet b1.58 与 FP16 LLaMA LLM 在不同大小的模型上进行了比较。

　　结果显示，BitNet b1.58 在 3B 模型大小时开始与全精度 LLaMA LLM 在困惑度上匹配，同时在延迟、内存使用和吞吐量方面有显著提升。

　　而且当模型规模越大时，这种性能上提升就会越发显著。

　　网友：能在消费级 GPU 跑 120B 大模型了

　　正如上文所言，这篇研究独特的方法在网上引发了不小的热议。

　　DeepLearning.scala 作者杨博表示：

BitNet b1.58 相比原版 BitNet，最大的特点就是允许 0 参数。我觉得稍微修改一下量化函数，也许可以控制 0 参数的比例。当 0 参数的比例很大时，可以用稀疏格式存储权重，使得平均每个参数的显存占用甚至低于 1 比特。这就相当于权重级别的 MoE 了。我觉得比一般的 MoE 更优雅。

　　与此同时，他也提出了关于 BitNet 的缺点：

BitNet 最大的缺点在于虽然能减少推理时的显存开销，但优化器状态和梯度仍然要用浮点数，训练仍然很费显存。我觉得如果能把 BitNet 和训练时节省显存的技术结合起来，那么相比传统半精度网络，同等算力和显存下支持更多参数，优势就很大了。
目前能节省优化器状态的显存开销的办法是 offloading。能节省梯度的显存占用的办法可能是 ReLoRA。但是 ReLoRA 的论文实验只用了十亿参数的模型，并没有证据表明能不能推广到百亿、千亿参数的模型。