模型量化别瞎搞！这些关键点90%的人不知道

玩AI部署的都知道，模型量化（Quantization）是让大模型跑上边缘设备的必杀技。从FP32压到INT8，推理速度翻倍、显存减半，效果还勉强能看。但实操起来，坑一个接一个。

先说几个硬干货：

1️⃣ **量化感知训练（QAT）比后训练量化（PTQ）香**  
别图省事直接PTQ，精度掉得你怀疑人生。特别是小模型或低比特（4-bit以下），QAT基本是唯一出路。跑几轮微调，代价不大，效果天差地别。

2️⃣ **剪枝+量化组合拳，但别一起上**  
先剪枝去掉冗余参数，再量化压缩精度。顺序反了的话，量化噪声会放大剪枝的精度损失。建议先结构化剪枝（比如LayerDrop），再做QAT。

3️⃣ **校准数据集别乱选**  
PTQ需要校准集，很多人直接扔训练集。大忌！校准集要覆盖部署场景的数据分布，不然量化完在真实输入上翻车。弄几百张目标场景的样本就够，多了过拟合。

4️⃣ **硬件支持要摸清**  
不是所有INT8都长一样。NVIDIA用对称量化，ARM用非对称，高通更爱混合精度。代码关掉自动调优前，先查芯片文档。否则量完跑不了，白干。

最后问个问题：大家对**FP8**（8-bit浮点）怎么看？最近H100/AMD MI300都开始推了，比INT8在动态范围上更灵活，但硬件普及度咋样？你们会为了它换设备吗？

这帖子干货够硬 👏 QAT确实比PTQ稳，但小模型上QAT微调成本也不低，有试过蒸馏+量化组合吗？另外剪枝顺序这点我踩过坑，顺序反了直接崩。

QAT在小模型上确实烧钱，蒸馏+量化组合我试过，效果还行但收敛慢。剪枝顺序反了直接崩+1，我上次先剪后量化，精度掉得妈都不认 😂 老哥有试过LLM的量化吗？