AWQ 量化部署复盘激活感知量化在 13B 模型上的精度-性能实验报告一、AWQ 的动机为什么 GPTQ 在 INT4 时掉点这么严重上一阶段的 GPTQ INT4 量化实验暴露了一个规律性现象模型规模越小INT4 量化后的精度退化越显著。在 7B 模型上 INT4 的 HumanEval Pass1 从 36.8 降至 31.2-5.6但在 70B 模型上仅从 52.1 降至 49.8-2.3。这说明大模型的权重分布存在更充分的冗余对精度降低的容忍度更高。AWQActivation-aware Weight Quantization提出的核心洞察是并非所有权重对精度等量重要。某些通道的权重在激活值中贡献了不成比例的重要信息这些通道应该保留更高的精度。AWQ 通过分析校准数据集上的激活值分布自动识别显著通道Salient Channels并为其分配更大的缩放因子从而在总位宽不变的前提下提升精度。二、AWQ 与 GPTQ 的精度对比以 13B 模型为样本使用 Qwen-1.5-14B 模型在 INT4 精度下做了 AWQ 和 GPTQ 的严格对比评估维度FP16 基线GPTQ-INT4AWQ-INT4AWQ 优势MMLU68.264.8 (-3.4)66.7 (-1.5)1.9GSM8K58.452.1 (-6.3)56.8 (-1.6)4.7HumanEval44.338.5 (-5.8)42.1 (-2.2)3.6MT-Bench7.56.8 (-0.7)7.3 (-0.2)0.5业务测试集91.286.4 (-4.8)89.8 (-1.4)3.4在所有维度上 AWQ 均优于 GPTQ尤其在 GSM8K数学推理上的差距达到 4.7 个百分点——这正是因为数学推理高度依赖某些关键 attention 头的精确计算AWQ 的显著通道保护机制恰好保护了这些关键计算路径。# AWQ 量化流程 —— 与 GPTQ 的关键差异在激活值分析环节 from awq import AutoAWQForCausalLM from transformers import AutoTokenizer # 加载模型 model AutoAWQForCausalLM.from_pretrained( Qwen/Qwen1.5-14B-Chat, safetensorsTrue, # 推荐 safetensors 格式加载更快且安全 ) # 设置 AWQ 量化配置 quant_config { zero_point: True, # 启用零点量化非对称量化精度略高于对称 q_group_size: 128, # 分组大小128 是精度和压缩比的平衡点 w_bit: 4, # 权重量化位宽 version: GEMM, # 使用 GEMM 内核兼容性好或 GEMV小 batch 更快 } # 关键步骤AWQ 的激活感知通道分析 # 这一阶段会运行校准数据收集每层的激活值分布 model.quantize( tokenizer, quant_configquant_config, # 校准数据集128~256 条代表性样本 calib_data/data/calibration/wikitext-128.jsonl, ) # 保存量化模型可直接用 vLLM 加载 model.save_quantized(./qwen-14b-awq-int4) # vLLM 启动命令 # vllm serve ./qwen-14b-awq-int4 \ # --quantization awq \ # --max-model-len 8192 \ # --gpu-memory-utilization 0.92三、推理延迟与显存占用的工程数据在单张 A100-80G 上部署 AWQ-INT4 模型的实测数据指标FP16AWQ-INT4变化模型显存占用26GB8.2GB-68%KV Cache 可用空间剩余24GB52GB117%单卡最大并发请求1648200%TTFTPrompt 512 tokens420ms380ms-10%Token 生成速率45 tok/s52 tok/s16%batch_size1 延迟85ms72ms-15%batch_size32 延迟210ms178ms-15%意外的收获是推理延迟反而降低了 10~15%。原因在于显存占用减半后更大的 KV Cache 池让 Continuous Batching 的合并上限从 16 提升到 48调度器可以更高效地组成大 batch摊薄了每次推理的固定开销。四、AWQ 的边界条件与禁用场景AWQ 并非在所有场景下都优于 GPTQAWQ 的优势场景中等规模模型7B~30B精度提升最明显在 13B 模型上优势最大对精度敏感的任务代码生成、数学推理、多步逻辑推断等受益最显著小 batch 推理GEMM 内核在小 batch 下性能与 GPTQ 持平或略优。AWQ 的劣势场景超大规模模型70B大模型的权重冗余本身就足够AWQ 的优势缩小到 0.3~0.5 个百分点校准数据敏感如果校准数据集无法代表推理数据的分布显著通道的识别可能偏差反而导致精度不如 GPTQ社区工具链不成熟截至 2025 年上半年AWQ 的推理引擎支持仍不如 GPTQ 完善某些推理框架如 llama.cpp对 AWQ 的优化不如 GPTQ。五、总结AWQ 量化的工程决策要点13B~30B 是 AWQ 的甜点区间在这个参数规模上AWQ 对 GPTQ 的精度优势超过 3 个百分点是明显的技术选型分水岭激活感知的收益与校准数据质量强相关校准数据集必须覆盖推理数据的分布推荐至少 128 条样本覆盖多个任务类型AWQ 的显存-延迟双降是意外收益量化后的显存释放带来了更大的 batch 空间间接降低了延迟这个收益往往被量化评估所忽略工具链不成熟是当前最大瓶颈生产环境选型 AWQ 时需要先确认推理引擎的集成状态。vLLM 和 TGI 的 AWQ 支持已稳定但 llama.cpp 仍在完善中。推荐路径中型模型13B~30B 高精度要求 vLLM/TGI 部署 → AWQ-INT4小型模型7B 一般场景 跨引擎兼容 → GPTQ-INT8。