最新模型增量壓縮技術，一個80G的A100 GPU能夠輕松加載多達50個7B模型，節省顯存約8倍，同時模型性能幾乎與壓縮前的微調模型相當。

清華大學NLP實驗室攜手OpenBMB開源社區、北京大學和上海財經大學的研究團隊，提出Delta-CoMe。

這項技術的核心在于利用主干模型與任務專用模型之間參數增量（即Delta）的特點進行壓縮，從而實現存儲開銷和部署成本的大幅降低。不僅有助于解決資源瓶頸問題，更為多任務處理和模型部署開辟新的可能。

具體而言，Delta-CoMe將低秩分解和低比特量化技術相結合，充分利用Delta參數的低秩特性，提出了一種全新的混合精度壓縮方法。這種方法不僅能夠實現接近無損的任務性能，還能顯著提升推理效率。

Delta-CoMe方法介紹

微調是增強預訓練模型的重要手段，不同任務往往需要不同的微調方式。例如Luo et al.[1]提出RLEIF通過Evove-instruction來增強模型數學推理能力；Wei et al.[2]利用Code snnipet合成高質量的指令數據來增加模型的代碼能力。然而，這些方法通常依賴高質量數據，并需要精心設計的策略才能實現顯著的效果。

在一些場景中往往需要具有不同能力的LLM同時處理問題，例如多租戶場景，多任務場景以及端側場景等等。一種自然的解決方案是部署單個通用模型作為主干，配合多個具有專有能力的Delta。

以Bitdelta[3]為例，它通過將模型的Delta壓縮到1-bit，有效保留了模型在問答等場景中的能力。盡管該壓縮方法在存儲和推理效率上表現出色，其在更復雜的任務（如數學推理和代碼生成）上仍存在明顯的能力瓶頸。

針對這一挑戰，THUNLP實驗室聯合北京大學和上海財經大學提出Delta-CoMe。這一方法結合低秩分解和低比特量化技術，不僅顯著提升了模型在復雜任務上的表現，還兼顧了壓縮效率和實際應用需求，為模型的高效部署提供了一種新思路。

與前人的方法相比，Delta-CoMe方法的優點在于：

• 結合低秩與低比特量化，利用了Delta低秩的特點，并發現低秩分解后的Delta是長尾分布的；之后采用混合精度量化進一步壓縮
• 性能幾乎無損，相比于BitDelta等方法，在Math, Code, Multi-modal等復雜任務上，性能與壓縮前的微調模型表現基本接近
• 推理速度提升，為混合精度量化實現了Triton kernel算子，對比Pytorch的實現方式，帶來近3倍的推理速度提升
• 超過Delta-tuning，支持多精度Backbone，Delta-CoMe在效果上顯著優于LoRA微調，并可以用在多種精度的Backbone上

具體而言，Delta-CoMe首先采用SVD進行低秩分解，Delta 具有低秩性，經過低秩分解之后，其特征值呈現出長尾分布的規律，僅有少數較大奇異值對應的奇異向量對最終的結果貢獻較大。

一個自然的想法，我們可以根據奇異值的大小進行混合精度量化，將較大的奇異值對應的奇異向量用較高精度表示，而較小的奇異值對應的奇異向量用較低精度表示。

實驗結果

多個開源模型和 Benchmark 的實驗驗證了該方法的有效性。

使用Llama-2作為主干模型，在數學、代碼、對話、多模態等多個任務中進行實驗，Delta-CoMe展現出平均幾乎無損的性能。下面分別是7B模型和13B模型的實驗效果。

此外，還在Mistral、Llama-3等其它主干模型上對不同的壓縮方法進行了驗證。

為了提升混合精度量化的計算效率，實現一個Triton Kernel，相比于Pytorch的實現方式，推理速度提升了約3倍。

實驗結果表明，使用一塊80G的A100 GPU可以加載50個7B模型。

最后，還比較了Delta-Tuning和Delta-Compression的效果差異（Delta-Tuning指的是通過訓練部分參數進行微調，Delta-Compression指的是先進行全參數微調，再將微調帶來的模型參數增量進行壓縮）。其中Delta-Tuning采用的是LoRA。Delta-CoMe對比LoRA在相同的存儲開銷下，性能顯著提升。

Delta-CoMe 通過結合低秩分解和低比特量化，不僅實現了大幅度的存儲壓縮，還在復雜任務如數學推理、代碼生成和多模態任務上維持了與壓縮前模型相當的性能表現。相比于傳統的微調方法，Delta-CoMe 展現出了更高的靈活性，尤其在多租戶和多任務場景中具有顯著的應用價值。此外，借助 Triton kernel 的優化，推理速度得到了顯著提升，使得部署大規模模型成為可能。未來，這一方法的潛力不僅在于進一步優化模型存儲和推理速度，也有望在更廣泛的實際應用中推動大語言模型的普及和高效運作。