加州伯克利大学的 AI 大佬们又搞事情了！这次他们祭出了一个名为 KVQuant 的大杀器，专治LLM内存焦虑症！
paper：https://arxiv.org/pdf/2401.18079
分析表明，对于较小的批处理规模，LLM推理过程的主要瓶颈在于内存带宽。随着计算速度和内存速度之间的差距不断扩大，这个问题只会越来越严重。而对于长序列长度，内存瓶颈主要来自于缓存键（Key）和值（Value）激活的内存需求。为了实现高效的长序列长度推理，压缩键值缓存至关重要
为了让LLM能处理更长、更复杂的任务，比如长篇小说总结、代码分析什么的，上下文窗口长度必须得加大！可是，内存不够怎么办？
别慌！加州伯克利出品，必属精品！KVQuant 就是一种专门针对LLM键值缓存（Key-Value Cache）的量化方法。它采用了几个超级厉害的技术，把内存占用量直接砍到骨折，同时还能保证模型精度几乎没有损失！
KVQuant的秘密武器：Per-Channel Key Quantization: 这个技术专门对付那些喜欢搞事情的异常值通道，让它们乖乖听话，别再影响其他通道的量化效果。
Pre-RoPE Key Quantization: RoPE（旋转位置编码）这玩意儿虽然厉害，但会把不同通道的值混在一起，给量化增加难度。这个技术巧妙地绕过了RoPE，让量化变得更轻松。
nuqX：灵敏度加权的非均匀量化： 这个技术更灵活，更精准，利用校准数据离线推导出每层的非均匀数据类型，并根据每个通道或每个token进行缩放，以准确表示Key和Value分布，让量化标度点放置恰到好处，就像一位经验丰富的调酒师，精准调配出最完美的鸡尾酒！
Per-Vector Dense-and-Sparse Quantization： 这个技术针对每个向量单独使用不同的异常值阈值，而不是对每一层使用单一的异常值阈值，从而更有效地识别和压缩异常值，并用稀疏表示存储它们，就像把房间里的杂物整理到收纳盒里，让空间变得更整洁，也更有效率！
KVQuant的优势：精度高到离谱： 在Wikitext-2和C4数据集上，用3比特量化，所有LLM（LLaMA, Llama-2, Llama-3, and Mistral）模型的困惑度（Perplexity：预测能力，准确率）下降都小于0.1，优于现有的方法！
速度快到飞起： KVQuant的自定义CUDA内核让LLaMA-7B模型的矩阵向量乘法速度提升了1.7倍，简直是飞一般的感觉！⚡️
省内存省到极致： KVQuant直接把键值缓存压缩了4.8倍，让LLaMA-7B模型在单张A100-80GB GPU上就能跑100万长度的上下文，8张GPU甚至能跑1000万！
此外，研究人员还进行了一些额外的分析和实验：长上下文长度评估： 使用LLaMA-2-7B-32K模型和Llama-2-70B-32K LongLoRA模型，评估了KVQuant在更长上下文长度下的性能。结果表明，即使在更长的上下文长度下，KVQuant也能保持较高的精度和检索性能。
联合权重和KV缓存量化： 将KVQuant与现有的权重量化方法结合使用，发现即使权重也被量化到较低精度，KVQuant仍然能够保持较低的困惑度下降，证明了KVQuant与现有的权重量化方法的兼容性。
性能分析和内存节省： 通过对KVQuant的内核进行基准测试，发现它能够在不同的序列长度下实现比基线fp16矩阵向量乘法更快的速度。
