📚推荐阅读
面试官：Transformer如何优化到线性级？
面试官：模型的量化了解吗？解释一下非对称量化与对称量化
面试官：模型剪枝了解吗？解释一下结构化剪枝与非结构化剪枝
面试官：为什么 Adam 在部分任务上会比 SGD 收敛更快，但泛化性更差？如何改进？
面试官：BatchNorm、LayerNorm、GroupNorm、InstanceNorm 有什么本质区别？
面试官：深层网络梯度消失的根本原因是什么？除了 ResNet，还有哪些架构能有效缓解？
面试官：大模型中的幻觉本质原因是什么？如何通过训练或推理手段抑制？
面试官：FlashAttention 的实现原理与内存优化方式？为什么能做到 O(N²) attention 的显存线性化？
面试官：KV Cache 了解吗？推理阶段 KV Cache 的复用原理？动态批处理如何提升吞吐？
面试官：Vision-Language 模型中，如何实现跨模态特征对齐？CLIP 与 BLIP 的主要区别？
面试官：多模态指令微调（Instruction Tuning）如何统一不同模态的输出空间？
面试官：说一下什么是量化，为什么将大语言模型从 FP16 量化到 int8 甚至 int4，性能仍然能保持得很好？
这道题表面上问量化，其实考察你对大模型权重分布特性、量化误差控制以及推理鲁棒性的理解。
今天我们就一起来看看这个问题。
所有相关源码示例、流程图、面试八股、模型配置与知识库构建技巧，我也将持续更新在Github：AIHub，欢迎关注收藏！
一、为什么要量化？
在大语言模型（LLM）中，模型参数通常以FP16 或 BF16精度存储。
像一个 70B 参数的模型，用 FP16 存储就是：
这对单张 GPU 来说是天文数字，于是，量化（Quantization）就成为现实部署的“救命稻草”——用更低位的整数（int8 / int4）表示权重，大幅减少显存占用和带宽消耗，同时保持精度。
比如从 FP16 → int8，可以直接减半显存，从 int8 → int4 又能再减一半，而惊喜的是性能损失通常极小，甚至几乎没有。
常见方法包括PTQ(Post-Training Quantization)和QAT(Quantization-Aware Training)
QAT训练过程中模拟量化效果，能够实现较高的精度。PTQ训练后直接量化，无需重新训练，简单但精度下降可能较大。
二、为什么量化后模型还能记得住东西？
要理解这一点，先得看清两个事实：
1.模型权重不是均匀分布的
在预训练后的大模型中，权重往往呈近似正态分布。
绝大多数权重集中在一个较小范围，真正极大或极小的值非常少，这意味着用高精度去表示这些小范围波动其实有些浪费。
2.模型输出对小数值扰动不敏感
Transformer 层叠结构具备强大的冗余与自稳性，它不像传统算法那样对精度极度敏感。
也就是说模型其实不在乎每个权重精确到小数点后 6 位，只要方向（sign）和大致比例（scale）对了，就能正常工作。
这就是量化的理论基础：低比特整数近似不会破坏关键的表示结构。
三、量化的核心机制
量化的本质是把连续值映射到有限的离散值集合，并且量化分为对称量化和非对称量化，这两者的具体区别可以去看我之前写的文章模型的量化了解吗？解释一下非对称量化与对称量化。
以 int8 为例，范围是 ([-128, 127])，我们通过一个缩放因子（scale）实现近似：
其中 s 就是“缩放因子”，表示单位整数代表的真实值大小。
关键点在于如何选择 s，如果全层共享一个 scale（per-tensor），误差大；如果为每个通道或每个组独立设置 scale（per-channel / per-group），则量化误差能大幅降低。
这也是现代量化方案能在 int4 精度下仍然保持性能的关键。
四、现代 LLM 的量化技巧
光靠线性量化是不够的，现代 LLM 量化之所以表现好，是因为结合了几种关键技巧👇
1.分组量化
将矩阵按列或按块分组，每组独立计算缩放因子。
这样能自适应每组分布差异，大幅降低信息丢失。
常见方案包括GPTQ、AWQ、SmoothQuant。
2.激活重标定
量化不仅影响权重，还影响激活值（中间输出）。
现代方法通过线性变换在量化前重新平衡激活范围，减少大数值主导效应。
比如 SmoothQuant：
保证乘积保持稳定。
3.量化感知微调
有时会在低比特量化后进行短暂再训练，让模型重新适应离散权重分布。
这类轻量微调（几小时即可）能显著恢复性能，像 LLM.int8()、QLoRA 都采用了这种策略。
4.保留高敏感部分
并不是所有层都需要量化。
通常：
- 前馈层（FFN）权重可量化到 int4；
- 归一化层、embedding 层保持 FP16；
- 输出头（lm head）也保持高精度。
这类混合精度量化保证性能几乎不降。
五、Int4/Int8 仍能保持性能的核心原因
总结下来，其实有四个关键点：
- 权重分布集中：大部分参数幅度小，可被低比特整数准确近似；
- 模型冗余高：Transformer 层具备容错性，对微小误差不敏感；
- 量化分组细粒度化：per-channel / per-group 设计减少误差传播；
- 训练后自适应修正：通过 rescale 或微调补偿量化噪声。
也就是说模型本身过强，量化带来的精度损失不足以动摇它的语义能力。
这就是为什么我们能看到int8 几乎无损，int4 也只略微下降 1~2%的结果。
对于面试官的这个问题，可以按下面的方法进行回答：
大模型权重分布集中且冗余度高，模型对微小数值扰动不敏感。
现代量化方法采用 per-channel 分组量化与激活重标定，有效控制量化误差；
同时通过微调或混合精度保持关键层高精度，使得 int4 / int8 量化后在计算效率和性能之间取得平衡，几乎无损精度。
关于深度学习和大模型相关的知识和前沿技术更新，请关注公众号aicoting！
