你在Hugging Face或GitHub上浏览大模型时，一定见过这样的介绍页：同一个模型，列出了FP32、FP16、INT8、INT4好几个版本。后面往往还跟着一张表格，告诉你每个版本需要多少显存。FP32号称要A100、H100这类专业卡才能跑，INT8呢，普通2080的6G显存就搞定了。它们之间到底差在哪儿？大模型量化这个听起来有点唬人的词，背后的逻辑其实并不复杂。
计算机里如何表示浮点数
先简单回顾一下浮点数在计算机里是怎么存的。这里的“FP”，就是Float Point（浮点）的缩写。计算机里所有数据归根结底都是二进制，浮点数也不例外。目前通用的标准是IEEE 754，它定义了单精度（32位）和双精度（64位）两种主流格式。拿双精度来说，64位被拆成三部分：1位符号位（0正1负），11位阶码（决定数值的范围），52位尾数（存放有效数字的小数部分）。双精度能表达的范围和精度，都比单精度高出一大截。
不管是CPU还是GPU，干活之前都得先把数据搬到内存或显存里。精度越高，每个数字占用的空间就越大。对大模型而言，量化等级越高，参数能记住的细节就越丰富，模型对训练数据的“记忆”就越准确，代价就是内存需求直线上升。反过来，量化等级越低，参数精度打折了，内存需求也就降下来了。
什么是量化？
我们今天聊的量化，跟股票市场里那种高频交易的量化完全是两码事。不过精神上倒有那么一点相通——都是想“用更少的资源撬动更多的东西”。只不过这里撬动的，是模型的计算和存储成本。
简单说，模型量化就是把模型里的参数（权重、偏置这些），从高精度的浮点数（比如32位）换成低精度的整数（比如8位）来表示。这是一种压缩模型大小的技术，目的是让推理跑得更快，对硬件的要求更低。低精度运算在很多硬件上天生就比高精度快。举个例子，FP32格式下每个浮点数要占32位（实际上是1位符号+8位阶码+23位尾数）。大模型动辄几十亿甚至上千亿参数，光参数本身就能吃掉几十GB内存——比如一个10亿参数的模型，用FP32存大概要29.8GB。所以即使是4090这种消费级旗舰，想跑真正的大模型也是有心无力。企业级部署也不便宜。量化正是降低模型部署成本的手段之一。
量化是怎么把规模降下来的？
量化过程大致分几步：首先得选策略——是训练完再静态量化，还是推理时动态量化；然后为每个要量化的元素确定合适的范围和精度；接着就是关键步骤——把浮点数的参数和激活值转成选定精度的整数；有时候为了补偿精度损失，还会再加一轮“量化感知训练”来微调权重。
我们直接拿一个实际例子来看。就用Hugging Face上的GPT-2模型，先看看量化前的内存占用：
model_name = "./models/gpt2"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(model_name)
# fix dtype post quantization to "pretend" to be fp32
def get_float32_dtype(self):
return torch.float32
GPT2Model.dtype = property(get_float32_dtype)
# This will return the memory footprint of the current model in bytes
model.get_memory_footprint() # 510342192 => 0.47GB接下来我们用zero-point量化方案，把参数的精度降下来。说白了就是把高精度浮点数映射到低精度的整数空间里。计算过程很直观：
- 计算数据范围：找出待量化数据的最小值和最大值。
r_min = min(x_1, x_2, ..., x_n)
r_max = max(x_1, x_2, ..., x_n) - 计算缩放因子：决定浮点范围如何映射到整数范围。
s = (r_max - r_min) / (q_max - q_min)
其中 q_max、q_min 是整数范围，比如127和-128。 - 计算零点：把浮点里的0映射到整数里的某个值。
z = q_min - r_min / s - 执行量化：
q = round(x / s + z)
代码实现大致长这样：
def quantize(t):
# obtain range of values in the tensor to map between 0 and 255
min_val, max_val = t.min(), t.max()
# determine the "zero-point", or value in the tensor to map to 0
scale = (max_val - min_val) / 255
zero_point = min_val
# quantize and clamp to ensure we're in [0, 255]
t_quant = (t - zero_point) / scale
t_quant = torch.clamp(t_quant, min=0, max=255)
# keep track of scale and zero_point for reversing quantization
state = (scale, zero_point)
# cast to uint8 and return
t_quant = t_quant.type(torch.uint8)
return t_quant, state
quant_model, states = quantize_model(model)
quant_model.get_memory_footprint() # 137022768 => 0.12G结果很直观：量化后内存从0.47GB降到了0.12GB，节省了大约74%。当然代价是参数的精度打了折扣，模型可能会出现一定程度的精度损失。这就是部署时需要在性能与资源之间做的权衡——特别是在移动设备、嵌入式系统这类资源受限的环境里，模型量化几乎是必选项。