FP-Quant

FP-Quant은 Nvidia GPU의 Blackwell 세대를 위해 설계된 양자화 알고리즘 계열입니다. 목표는 MXFP4 및 NVFP4 데이터 유형에서 LLM의 효율적인 학습 후 양자화(PTQ)와 양자화 인식 학습(QAT)을 가능하게 하는 것입니다.

이 통합은 마이크로스케일링 FP4 양자화의 약속과 성능 사이의 간극을 메우기 사전 인쇄본과 함께 제공됩니다.

현재 pseudoquantization=True와 함께 QAT만 지원됩니다. 모델은 quantization_config=FPQuantConfig()를 사용하여 실시간으로 양자화할 수 있습니다:

from transformers import AutoModelForCausalLM, AutoTokenizer, FPQuantConfig
import torch

model = AutoModelForCausalLM.from_pretrained(
    "qwen/Qwen3-8B",
    quantization_config=FPQuantConfig(),
    device_map="auto",
    dtype=torch.bfloat16,
)

또는 더 나은 품질을 위해 GPTQ로 사전 처리된 경우(FP Format Quantization Harness 참조).

FPQuantConfig(forward_dtype="mxfp4")를 통해 MXFP4와 NVFP4 중 하나를 선택할 수 있습니다. NVFP4는 더 나은 품질을 제공하지만 메모리를 약간 더 많이 사용합니다.

커널을 실행하려면 Blackwell 세대 GPU가 필요합니다. FP-Quant의 런타임 지원은 QuTLASS 라이브러리와 경량 PyTorch 인터페이스 라이브러리 fp_quant를 통해 구현됩니다. 전자(QuTLASS)는 소스에서 설치하고, 후자는 pip install fp_quant로 설치하는 것을 권장합니다.

Blackwell 세대 GPU가 없는 사용자는 QuTLASS를 설치하지 않고도 quantization_config=FPQuantConfig(pseudoquantization=True)를 사용하여 해당 메서드를 실행할 수 있습니다. 이 경우 속도 향상은 없지만 양자화의 효과를 완전히 시뮬레이션할 수 있습니다.

FP-Quant으로 사전 양자화된 모델을 공식 ISTA-DASLab 컬렉션에서 찾을 수 있습니다.

torch.compile

FP-Quant은 torch.compile과 완전히 호환됩니다.

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer, FPQuantConfig

model = AutoModelForCausalLM.from_pretrained(
    "qwen/Qwen3-8B",
    quantization_config=FPQuantConfig(),
    device_map="auto",
    dtype=torch.bfloat16,
)

model.forward = torch.compile(model.forward, mode="max-autotune", fullgraph=True)

속도 향상

FP-Quant은 현재 매우 큰 배치 크기 처리에서 가장 좋은 성능을 발휘합니다.

속도 향상에 대한 내용은 QuTLASS README를 참조하세요.