隨著大模型參數(shù)規(guī)模不斷膨脹，其高昂的計(jì)算資源需求和低效的運(yùn)行速度成為制約其廣泛應(yīng)用的瓶頸。本文將為您深入剖析大模型輕量化技術(shù)，供大家參考。

當(dāng)前大模型如GPT-4已突破萬(wàn)億級(jí)別參數(shù)量、如DeepSeek-R1已突破千億級(jí)別參數(shù)量，這樣的參數(shù)規(guī)模使得大模型的運(yùn)行需要占用巨大的計(jì)算資源，同時(shí)訓(xùn)練和推理的效率低下。

以GPT-4的1.8萬(wàn)億參數(shù)為例，模型參數(shù)FP32全精度對(duì)應(yīng)的理論顯存占用是7.2TB，需至少90張NVIDIAH10080GBGPU，而一塊H100的GPU單價(jià)在$20,000-$40,000。若不考慮大模型輕量化及訓(xùn)練推理加速技術(shù)，單次生成1ktokens的推理延遲約為10秒，單次推理成本約為$0.5。

大模型的資源消耗量級(jí)是遠(yuǎn)超移動(dòng)設(shè)備與邊緣計(jì)算硬件的承載極限的，比如常見(jiàn)的智能手機(jī)通常僅有12-24GB內(nèi)存。大模型對(duì)資源的需求和端側(cè)設(shè)備只能提供有限算力的矛盾，催生了一批輕量化的技術(shù)手段。這里的輕量化是指，對(duì)大模型施加參數(shù)調(diào)整、訓(xùn)練優(yōu)化等手段，在精度可接受的前提下，實(shí)現(xiàn)大模型的存儲(chǔ)需求降低和運(yùn)行效率提升。這是大模型走進(jìn)手機(jī)、汽車(chē)、機(jī)器人等端側(cè)設(shè)備的必經(jīng)之路。

本文將通俗介紹大模型的四種輕量化技術(shù)，分別是蒸餾、剪枝、低秩分解和量化。

一、蒸餾

蒸餾的本質(zhì)是讓小型的學(xué)生模型（StudentModel）模仿大型的教師模型（TeacherModel）的決策邏輯，從而使得學(xué)生模型在保持較小規(guī)模的前提下逼近教師模型的推理能力。

傳統(tǒng)的蒸餾機(jī)制在于引入軟標(biāo)簽（SoftLabels）作為學(xué)生模型的訓(xùn)練目標(biāo)。這里簡(jiǎn)要解釋下軟標(biāo)簽，如果模型直接判別輸入圖像是“貓/狗”，這類(lèi)非0即1的輸出可以看作是硬標(biāo)簽（HardLabels），比如模型輸出的的硬標(biāo)簽是[0,1]，代表模型判別輸入圖像是貓。軟標(biāo)簽是模型輸出的概率分布，當(dāng)讓模型判別一只老虎時(shí)，模型可能輸出在貓、狗兩個(gè)類(lèi)別的概率值，此時(shí)軟標(biāo)簽是[0.3,0.7]，這種軟標(biāo)簽隱含了類(lèi)別間的相似性知識(shí)，比如老虎更接近貓的相貌，同時(shí)接近狗的體格。

在訓(xùn)練學(xué)生模型時(shí)，構(gòu)造的訓(xùn)練目標(biāo)函數(shù)是學(xué)生模型預(yù)測(cè)概率分布與教師模型預(yù)測(cè)概率分布的KL散度。在訓(xùn)練過(guò)程中，通過(guò)不斷降低KL散度，讓學(xué)生模型預(yù)測(cè)的概率分布逼近于教師模型預(yù)測(cè)的概率分布，從而確保學(xué)生模型逐步學(xué)習(xí)到教師模型的知識(shí)。

實(shí)際在大模型蒸餾過(guò)程中，學(xué)生模型還可以通過(guò)數(shù)據(jù)蒸餾的方式學(xué)習(xí)教師模型的推理能力。比如在論文《DeepSeek-R1:IncentivizingReasoningCapabilityinLLMsviaReinforcementLearning》中，首先使用DeepSeek-R1作為教師模型，生成包含推理過(guò)程（CoT）和答案的高質(zhì)量訓(xùn)練數(shù)據(jù)（共80萬(wàn)條樣本），然后通過(guò)有監(jiān)督微調(diào)的手段對(duì)Qwen2.5、Llama3等基礎(chǔ)模型進(jìn)行蒸餾。如下圖所示，蒸餾之后的Qwen2.5、Llama3在數(shù)學(xué)推理和編碼任務(wù)取得了很好的表現(xiàn)，說(shuō)明了小模型性能是可以通過(guò)蒸餾手段提升的。

二、剪枝

剪枝的靈感源于神經(jīng)科學(xué)。人類(lèi)在嬰兒期會(huì)產(chǎn)生大量的突觸連接，但是在成長(zhǎng)過(guò)程中低頻的突觸連接會(huì)逐漸退化，而高頻的突觸連接會(huì)保留下來(lái)。在大模型的深度神經(jīng)網(wǎng)絡(luò)架構(gòu)中，我們可以刪除模型中某些結(jié)構(gòu)或者冗余參數(shù)來(lái)達(dá)到給大模型“瘦身的效果”，相應(yīng)的有結(jié)構(gòu)化剪枝、非結(jié)構(gòu)化剪枝兩種技術(shù)手段：

非結(jié)構(gòu)化剪枝：隨機(jī)刪除單個(gè)權(quán)重，比如小于某個(gè)閾值的權(quán)重。由于不改變模型的整體結(jié)構(gòu)，剪枝之后會(huì)造成參數(shù)矩陣的稀疏性（一部分權(quán)重為0），這種稀疏性會(huì)導(dǎo)致普通GPU/CPU難以高效計(jì)算，需要用到專門(mén)的硬件比如NVIDIAA100TensorCoreGPU來(lái)保證性能發(fā)揮。非結(jié)構(gòu)化剪枝更適用于壓縮率要求較高，但硬件可控的場(chǎng)景，比如在數(shù)據(jù)中心內(nèi)部部署大模型，并且搭配專用加速卡。

結(jié)構(gòu)化剪枝：刪除“結(jié)構(gòu)化單元”，比如整個(gè)卷積核、注意力頭、通道、甚至整個(gè)網(wǎng)絡(luò)層。結(jié)構(gòu)化剪枝后的模型結(jié)構(gòu)規(guī)則與原始模型架構(gòu)是兼容的，無(wú)需專用的硬件即可在普通GPU/CPU上運(yùn)行。但是結(jié)構(gòu)化剪枝的問(wèn)題是可能導(dǎo)致大模型的部分功能失效，比如刪除一個(gè)注意力機(jī)制模塊可能丟失一部分的語(yǔ)義理解能力。因此，需要通過(guò)評(píng)估不同結(jié)構(gòu)化單元的重要性來(lái)判斷哪些結(jié)構(gòu)可剪。結(jié)構(gòu)化剪枝更適用于手機(jī)、汽車(chē)等端側(cè)設(shè)備，支持實(shí)時(shí)目標(biāo)檢測(cè)、語(yǔ)音交互等任務(wù)。

三、低秩分解

大模型的參數(shù)矩陣往往是高維度的稠密矩陣，而低秩分解的思路就是通過(guò)用一些更低維度的矩陣來(lái)表達(dá)稠密矩陣，從而在損失少量精度的前提下，大幅度降低參數(shù)總量。

舉例來(lái)說(shuō)，假設(shè)大模型的原始參數(shù)矩陣W的維度是m*n，通過(guò)線性代數(shù)的分解方法，將W分解為兩個(gè)低秩矩陣的乘積，即W=U*V。其中U的維度是m*r，V的維度是r*n，注意r是遠(yuǎn)小于m也遠(yuǎn)小于n的，此時(shí)矩陣的參數(shù)總量就從m*n下降到(m*r+r*n)。

四、量化

我們都知道大模型內(nèi)部有很多參數(shù)，而這些參數(shù)的數(shù)值格式會(huì)影響到存儲(chǔ)和計(jì)算資源的效率。量化技術(shù)就是將傳統(tǒng)的32位浮點(diǎn)數(shù)（FP32）參數(shù)，替換為更低位數(shù)的數(shù)值格式，比如8位整數(shù)、4位整數(shù)、二進(jìn)制等，從而減少內(nèi)存占用、降低計(jì)算量，并且適配硬件的低精度指令集。

舉例來(lái)說(shuō)，一個(gè)FP32的參數(shù)需要4字節(jié)存儲(chǔ)，而INT8僅需1字節(jié)，理論上可實(shí)現(xiàn)4倍壓縮；若進(jìn)一步量化到INT4，則可實(shí)現(xiàn)8倍壓縮。同時(shí)，低精度計(jì)算的硬件效率遠(yuǎn)高于FP32精度的計(jì)算，因此量化不僅能給大模型“瘦身”，還能直接提升推理速度。以DeepSeekR3為例，模型采用FP8量化方案，并且通過(guò)混合訓(xùn)練方案來(lái)確保模型的精度。

從云端到邊緣，從萬(wàn)億參數(shù)到百萬(wàn)參數(shù)，大模型的輕量化技術(shù)正在加速AI的落地應(yīng)用。當(dāng)大模型能以0.5秒速度在千元手機(jī)完成醫(yī)學(xué)影像分析，以22ms延遲在汽車(chē)芯片規(guī)避碰撞風(fēng)險(xiǎn)，以3W功耗驅(qū)動(dòng)礦山機(jī)器人自主巡檢——這些場(chǎng)景的實(shí)現(xiàn)，意味著AI技術(shù)的應(yīng)用門(mén)檻持續(xù)降低，其實(shí)際價(jià)值將在更廣泛的領(lǐng)域中逐步顯現(xiàn)。