人工智能大模型基礎(chǔ)模型模型量化模型優(yōu)化【免費下載鏈接】GLM-5.3-Quark-MXFP4-AttnFP8項目地址https://ai.gitcode.com/hf_mirrors/amd/GLM-5.3-Quark-MXFP4-AttnFP8點擊查看免費下載GLM-5.3-Quark-MXFP4-AttnFP8 是 AMD 官方發(fā)布的 GLM-5.3 大語言模型量化版本它使用 AMD-Quark 工具鏈將模型的 MoE 專家層量化為 MXFP44 位微縮放格式同時把注意力層單獨量化為 FP8形成一套混合量化方案。對正在為大模型顯存壓力發(fā)愁的工程師來說這套方案幾乎以可忽略的精度損失換來了約 4 倍的權(quán)重壓縮是理解大模型量化落地的一篇典型樣本。一、為什么大模型需要混合量化 大模型推理的第一道門檻是顯存以 bf1616 位存儲的 GLM-5.3 擁有 78 層、每層 256 個路由專家每 token 激活 8 個的 MoE 架構(gòu)完整權(quán)重動輒數(shù)百 GB單卡難以承載。**量化Quantization**就是答案用更少的比特表示權(quán)重和激活。但這里有個兩難方案壓縮比風(fēng)險全部保持 bf161×顯存吃緊全部壓到 4 位MXFP4~4×敏感層精度驟降輸出質(zhì)量崩壞混合量化本倉庫做法接近 4×敏感層留后路精度損失可控混合量化的核心思想很簡單不是所有層都一樣耐壓縮。MoE 專家層參數(shù)數(shù)量龐大但單參數(shù)貢獻分散是壓縮收益最大的地方而注意力、路由等層數(shù)量少卻直接影響語義表達需要更高精度保護。二、MXFP44 位權(quán)重是怎么做到的MXFP4 屬于MXMicroscaling格式家族可以理解為帶共享標尺的 4 位數(shù)每 32 個數(shù)值為一組group_size: 32組內(nèi)共享一個指數(shù)標尺scale_format: e8m0即 8 位純指數(shù)組內(nèi)每個數(shù)值只用 4 位存儲精度損失由共享標尺兜底權(quán)重與激活統(tǒng)一采用該格式推理時無需反量化到高精度這套配置的完整定義可以直接在 config.json 的global_quant_config中查看dtype: fp4、group_size: 32、scale_format: e8m0、round_method: half_even。按 4 位計MXFP4 權(quán)重體積約為 bf16 的1/4——這正是顯存減半再減半的來源。三、AttnFP8注意力層為什么單獨用 8 位打開 config.json 的layer_quant_config可以看到共439 個注意力投影層被單獨配置為fp8_e4m38 位浮點按 128×128 分塊量化覆蓋q_a_proj/q_b_proj/kv_a_proj_with_mqa/kv_b_projQuery 與 Key/Value 投影o_proj注意力輸出投影indexer.wq_b/indexer.wk稀疏注意力索引器中的投影層FP8 相比 FP4 多出 4 位動態(tài)范圍對數(shù)值波動敏感的注意力點積運算更友好而它相比 bf16 仍能再省一半顯存且 MI350/MI355 上的矩陣核有原生 FP8 加速。這就是命名中Quark-MXFP4-AttnFP8的含義主體 4 位 注意力 8 位的雙軌制。四、被豁免的層哪些保持原始精度并非所有層都參與量化。config.json 的exclude列表列出了保持 bf16 原精度的層層作用為什么保留高精度lm_head輸出詞表投影直接影響最終 token 概率分布embed_tokens詞嵌入輸入側(cè)錨點誤差會被全網(wǎng)絡(luò)放大mlp.gateMoE 路由門控路由是離散決策4 位量化極易選錯專家eh_proj、indexer.weights_proj嵌入頭與索引器投影輔助索引計算對精度敏感這種重災(zāi)區(qū)壓、敏感區(qū)保的分層策略是混合量化方案敢把主體壓到 4 位的底氣。五、量化是怎么執(zhí)行的一鍵腳本該模型由 zai-org/GLM-5.3 出發(fā)通過 AMD-Quark 的 PTQ訓(xùn)練后量化腳本quantize_quark.py生成核心參數(shù)見 README.md--quant_scheme mxfp4全局 MXFP4 方案--exclude_layers排除*self_attn*、*lm_head、*embed_tokens、*eh_proj、*mlp.gate注意力層隨后單獨走 FP8 分塊量化--file2file_quantization按 safetensors 文件逐一轉(zhuǎn)換141 個分片對應(yīng)輸出 model-00001-of-00141.safetensors 等權(quán)重文件映射關(guān)系記錄在 model.safetensors.index.json 中六、精度實測GSM8K 掉分不到 1 個點 量化是否翻車看基準評測最直觀。AMD 使用lm-evaluation-harness在 GSM8K 上對比了原模型與量化模型README.md模型GSM8K (flexible-extract)精度恢復(fù)率GLM-5.3原模型91.89—GLM-5.3-Quark-MXFP4-AttnFP891.2899.34%以 4 位權(quán)重換 0.61 個點的數(shù)學(xué)基準損失基本可以認為是量化方案的免費午餐。復(fù)現(xiàn)命令與所需環(huán)境變量VLLM_ROCM_USE_AITER1等完整記錄在 README.md。七、部署要點vLLM AMD MI350 系列模型面向AMD MI350/MI355硬件基于 ROCm 7.1.1 與 vLLM 推理引擎部署加載時指定quantizationquark即可讓 vLLM 自動識別倉庫中的量化配置export VLLM_ROCM_USE_AITER1 export VLLM_ROCM_USE_AITER_FP8BMM0 export VLLM_ROCM_USE_AITER_FP4BMM0關(guān)鍵加載參數(shù)pretrainedamd/GLM-5.3-Quark-MXFP4、tensor_parallel_size4、quantizationquark、max_model_len32768。采樣參數(shù)如temperature: 1.0、top_p: 0.95定義在 generation_config.json。八、文件導(dǎo)讀快速定位關(guān)鍵資料項目說明與量化/部署流程README.md量化配置核心全局 MXFP4 逐層 FP8 豁免清單config.json權(quán)重分片索引model.safetensors.index.json生成參數(shù)generation_config.json對話模板chat_template.jinja總結(jié)GLM-5.3-Quark-MXFP4-AttnFP8 給出的是一套清晰的工程范式大參數(shù)量的 MoE 專家層 → MXFP4拿到接近 4 倍的顯存壓縮敏感注意力層 → AttnFP88 位精度保住語義表達路由、嵌入、詞表投影 → 原精度豁免守住質(zhì)量底線。三層各司其職最終在 GSM8K 上保留了 99.34% 的精度——如果你也在評估 AMD GPU 上的 MoE 大模型量化方案這套MXFP4 AttnFP8組合值得直接參考。贊分享人工智能大模型基礎(chǔ)模型模型量化模型優(yōu)化【免費下載鏈接】GLM-5.3-Quark-MXFP4-AttnFP8項目地址https://ai.gitcode.com/hf_mirrors/amd/GLM-5.3-Quark-MXFP4-AttnFP8點擊查看免費下載相關(guān)推薦MXFP4與FP8混合量化是什么Qwen3.8-Flash-Next-Quark-MXFP4-AttnFP8-PLEFP8的5層量化策略逐層拆解MXFP4與FP8混合量化是什么Qwen3.8 Flash Next Quark MXFP4 AttnFP8 PLEFP8的5層量化策略逐層拆解 Qwen3.AMD多模態(tài)推理新標桿Qwen3.8-Flash-Next-Quark-MXFP4-AttnFP8-PLEFP8模型全面解讀一文讀懂MXFP4FP8混合量化AMD多模態(tài)推理新標桿Qwen3.8 Flash Next Quark MXFP4 AttnFP8 PLEFP8模型全面解讀一文讀懂MXFP4FP8混合量量化損失有多大Qwen3.8-Flash-Next-Quark-MXFP4-AttnFP8-PLEFP8在GSM8K上99.3%精度恢復(fù)率實測量化損失有多大Qwen3.8 Flash Next Quark MXFP4 AttnFP8 PLEFP8在GSM8K上99.3%精度恢復(fù)率實測 量化模型的精度上一篇Rivet Rust SDK 數(shù)據(jù)節(jié)點查詢指南使用 DatacentersApi 的 datacenters_list 接口下一篇k-skill bunjang-search 第三方商標使用法律聲明解讀功能描述性使用與商標侵權(quán)的邊界創(chuàng)作聲明：本文部分內(nèi)容由AI輔助生成（AIGC），僅供參考 MXFP4 + AttnFP8混合量化原理解析：GLM-5.3-Quark-MXFP4-AttnFP8如何兼顧顯存與精度
人工智能大模型基礎(chǔ)模型模型量化模型優(yōu)化【免費下載鏈接】GLM-5.3-Quark-MXFP4-AttnFP8項目地址https://ai.gitcode.com/hf_mirrors/amd/GLM-5.3-Quark-MXFP4-AttnFP8點擊查看免費下載GLM-5.3-Quark-MXFP4-AttnFP8 是 AMD 官方發(fā)布的 GLM-5.3 大語言模型量化版本它使用 AMD-Quark 工具鏈將模型的 MoE 專家層量化為 MXFP44 位微縮放格式同時把注意力層單獨量化為 FP8形成一套混合量化方案。對正在為大模型顯存壓力發(fā)愁的工程師來說這套方案幾乎以可忽略的精度損失換來了約 4 倍的權(quán)重壓縮是理解大模型量化落地的一篇典型樣本。一、為什么大模型需要混合量化 大模型推理的第一道門檻是顯存以 bf1616 位存儲的 GLM-5.3 擁有 78 層、每層 256 個路由專家每 token 激活 8 個的 MoE 架構(gòu)完整權(quán)重動輒數(shù)百 GB單卡難以承載。**量化Quantization**就是答案用更少的比特表示權(quán)重和激活。但這里有個兩難方案壓縮比風(fēng)險全部保持 bf161×顯存吃緊全部壓到 4 位MXFP4~4×敏感層精度驟降輸出質(zhì)量崩壞混合量化本倉庫做法接近 4×敏感層留后路精度損失可控混合量化的核心思想很簡單不是所有層都一樣耐壓縮。MoE 專家層參數(shù)數(shù)量龐大但單參數(shù)貢獻分散是壓縮收益最大的地方而注意力、路由等層數(shù)量少卻直接影響語義表達需要更高精度保護。二、MXFP44 位權(quán)重是怎么做到的MXFP4 屬于MXMicroscaling格式家族可以理解為帶共享標尺的 4 位數(shù)每 32 個數(shù)值為一組group_size: 32組內(nèi)共享一個指數(shù)標尺scale_format: e8m0即 8 位純指數(shù)組內(nèi)每個數(shù)值只用 4 位存儲精度損失由共享標尺兜底權(quán)重與激活統(tǒng)一采用該格式推理時無需反量化到高精度這套配置的完整定義可以直接在 config.json 的global_quant_config中查看dtype: fp4、group_size: 32、scale_format: e8m0、round_method: half_even。按 4 位計MXFP4 權(quán)重體積約為 bf16 的1/4——這正是顯存減半再減半的來源。三、AttnFP8注意力層為什么單獨用 8 位打開 config.json 的layer_quant_config可以看到共439 個注意力投影層被單獨配置為fp8_e4m38 位浮點按 128×128 分塊量化覆蓋q_a_proj/q_b_proj/kv_a_proj_with_mqa/kv_b_projQuery 與 Key/Value 投影o_proj注意力輸出投影indexer.wq_b/indexer.wk稀疏注意力索引器中的投影層FP8 相比 FP4 多出 4 位動態(tài)范圍對數(shù)值波動敏感的注意力點積運算更友好而它相比 bf16 仍能再省一半顯存且 MI350/MI355 上的矩陣核有原生 FP8 加速。這就是命名中Quark-MXFP4-AttnFP8的含義主體 4 位 注意力 8 位的雙軌制。四、被豁免的層哪些保持原始精度并非所有層都參與量化。config.json 的exclude列表列出了保持 bf16 原精度的層層作用為什么保留高精度lm_head輸出詞表投影直接影響最終 token 概率分布embed_tokens詞嵌入輸入側(cè)錨點誤差會被全網(wǎng)絡(luò)放大mlp.gateMoE 路由門控路由是離散決策4 位量化極易選錯專家eh_proj、indexer.weights_proj嵌入頭與索引器投影輔助索引計算對精度敏感這種重災(zāi)區(qū)壓、敏感區(qū)保的分層策略是混合量化方案敢把主體壓到 4 位的底氣。五、量化是怎么執(zhí)行的一鍵腳本該模型由 zai-org/GLM-5.3 出發(fā)通過 AMD-Quark 的 PTQ訓(xùn)練后量化腳本quantize_quark.py生成核心參數(shù)見 README.md--quant_scheme mxfp4全局 MXFP4 方案--exclude_layers排除*self_attn*、*lm_head、*embed_tokens、*eh_proj、*mlp.gate注意力層隨后單獨走 FP8 分塊量化--file2file_quantization按 safetensors 文件逐一轉(zhuǎn)換141 個分片對應(yīng)輸出 model-00001-of-00141.safetensors 等權(quán)重文件映射關(guān)系記錄在 model.safetensors.index.json 中六、精度實測GSM8K 掉分不到 1 個點 量化是否翻車看基準評測最直觀。AMD 使用lm-evaluation-harness在 GSM8K 上對比了原模型與量化模型README.md模型GSM8K (flexible-extract)精度恢復(fù)率GLM-5.3原模型91.89—GLM-5.3-Quark-MXFP4-AttnFP891.2899.34%以 4 位權(quán)重換 0.61 個點的數(shù)學(xué)基準損失基本可以認為是量化方案的免費午餐。復(fù)現(xiàn)命令與所需環(huán)境變量VLLM_ROCM_USE_AITER1等完整記錄在 README.md。七、部署要點vLLM AMD MI350 系列模型面向AMD MI350/MI355硬件基于 ROCm 7.1.1 與 vLLM 推理引擎部署加載時指定quantizationquark即可讓 vLLM 自動識別倉庫中的量化配置export VLLM_ROCM_USE_AITER1 export VLLM_ROCM_USE_AITER_FP8BMM0 export VLLM_ROCM_USE_AITER_FP4BMM0關(guān)鍵加載參數(shù)pretrainedamd/GLM-5.3-Quark-MXFP4、tensor_parallel_size4、quantizationquark、max_model_len32768。采樣參數(shù)如temperature: 1.0、top_p: 0.95定義在 generation_config.json。八、文件導(dǎo)讀快速定位關(guān)鍵資料項目說明與量化/部署流程README.md量化配置核心全局 MXFP4 逐層 FP8 豁免清單config.json權(quán)重分片索引model.safetensors.index.json生成參數(shù)generation_config.json對話模板chat_template.jinja總結(jié)GLM-5.3-Quark-MXFP4-AttnFP8 給出的是一套清晰的工程范式大參數(shù)量的 MoE 專家層 → MXFP4拿到接近 4 倍的顯存壓縮敏感注意力層 → AttnFP88 位精度保住語義表達路由、嵌入、詞表投影 → 原精度豁免守住質(zhì)量底線。三層各司其職最終在 GSM8K 上保留了 99.34% 的精度——如果你也在評估 AMD GPU 上的 MoE 大模型量化方案這套MXFP4 AttnFP8組合值得直接參考。贊分享人工智能大模型基礎(chǔ)模型模型量化模型優(yōu)化【免費下載鏈接】GLM-5.3-Quark-MXFP4-AttnFP8項目地址https://ai.gitcode.com/hf_mirrors/amd/GLM-5.3-Quark-MXFP4-AttnFP8點擊查看免費下載相關(guān)推薦MXFP4與FP8混合量化是什么Qwen3.8-Flash-Next-Quark-MXFP4-AttnFP8-PLEFP8的5層量化策略逐層拆解MXFP4與FP8混合量化是什么Qwen3.8 Flash Next Quark MXFP4 AttnFP8 PLEFP8的5層量化策略逐層拆解 Qwen3.AMD多模態(tài)推理新標桿Qwen3.8-Flash-Next-Quark-MXFP4-AttnFP8-PLEFP8模型全面解讀一文讀懂MXFP4FP8混合量化AMD多模態(tài)推理新標桿Qwen3.8 Flash Next Quark MXFP4 AttnFP8 PLEFP8模型全面解讀一文讀懂MXFP4FP8混合量量化損失有多大Qwen3.8-Flash-Next-Quark-MXFP4-AttnFP8-PLEFP8在GSM8K上99.3%精度恢復(fù)率實測量化損失有多大Qwen3.8 Flash Next Quark MXFP4 AttnFP8 PLEFP8在GSM8K上99.3%精度恢復(fù)率實測 量化模型的精度上一篇Rivet Rust SDK 數(shù)據(jù)節(jié)點查詢指南使用 DatacentersApi 的 datacenters_list 接口下一篇k-skill bunjang-search 第三方商標使用法律聲明解讀功能描述性使用與商標侵權(quán)的邊界創(chuàng)作聲明：本文部分內(nèi)容由AI輔助生成（AIGC），僅供參考