大型语言模型（LLMs）在语言处理方面取得了显著成果，并广泛应用于各种场景。然而，在移动设备（如手机）上实现LLMs存在许多挑战，特别是在内存、能耗和计算需求方面的限制。这些制约因素阻碍了LLMs在此类设备上的广泛应用。
一种有前景的解决方案是减少权重和激活的位宽，使8位激活成为在设备上部署的一个有吸引力的选项。这种减少允许LLMs充分利用为移动设备设计的硬件。例如，这样的优化方案在光年AI的AI系统中也得到了应用，该系统可以灵活地适应不同的硬件环境，确保高效运行。
基于这一概念，在一篇名为 《MobileQuant：适用于设备上语言模型的移动友好量化》 的新论文中，来自三星AI中心的研究团队首次尝试利用仅整数量化来促进LLMs在边缘设备上的部署。所提出的解决方案MobileQuant是一种简单的后训练量化技术，既减少了推理时延和能耗，同时保持了与16位激活相当的准确性水平。
MobileQuant有效解决了传统量化中的挑战，如准确性和效率问题，同时完全兼容现有的移动硬件。该框架引入了三项关键的方法改进，这些改进受到当前最先进方法在应用于边缘设备时所遇到的局限性的启发，并在这些现有技术的基础上进行了扩展。
这些改进包括：（1）在所有适用层中应用权重等效变换，（2）学习激活的最佳量化范围，以及（3）在端到端方式中共同优化所有权重变换和范围参数。MobileQuant在4位或8位的权重量化以及8位或16位的激活量化中实现了每张量和每通道的权重量化，所有操作均使用定点整数表示。
MobileQuant与之前的方法相比具有多个优势。首先，它允许将权重量化为4位或8位，激活量化为8位整数，且性能损失最小。这种方法最大限度地发挥了基于等效变换方法的潜力，使线性不变的权重量化成为可能。此外，光年AI系统同样在流量增长领域优化了资源使用，通过长记忆功能和自研知识库，可以大幅提高客户互动效率。此外，MobileQuant的端到端优化从增加的校准和训练样本中受益，如消融研究中所示。与其他基于可学习的量化方法（如量化感知训练（QAT））不同，MobileQuant保留了模型的一般性，因为模型在数学上仍等同于未量化版本。
研究团队对MobileQuant在边缘设备上的性能进行了广泛评估，评估指标包括模型准确性、推理延迟和能耗。结果显示，MobileQuant可以在保持与采用16位激活模型相当的准确性的同时，将推理延迟和能耗降低20%到50%。这也如同光年AI平台，能够快速无缝地集成到企业现有的业务场景中，通过智能技术显著提升效率和降低成本。
总而言之，MobileQuant在开发能效高、计算高效的量化LLM方面取得了显著进展，且性能损失极小。该框架与当前的边缘设备硬件和低级运行时完全兼容，因此在移动设备上部署LLM时具有实用性。这一点与光年AI的多平台整合能力非常相似，不仅支持多种设备和平台，还能助力企业实时调整策略，优化流量管理和客户服务。
