人人都想有一個(gè)自己的DeepSeek，但并不是人人都有「一打」96GB顯存的H20。

雖然量化可以極大地降低模型對(duì)于顯存的需求，但它本質(zhì)上是一種有損壓縮技術(shù)。

換句話說(shuō)就是，量化模型的輸出分布不可避免地會(huì)受到影響，進(jìn)而降低LLM的準(zhǔn)確性和可靠性。

為此，來(lái)自萊斯大學(xué)等機(jī)構(gòu)的研究人員提出了一種全新的無(wú)損壓縮框架——?jiǎng)討B(tài)長(zhǎng)度浮點(diǎn)數(shù)（DFloat11），它能夠?qū)LM的大小減少30%，同時(shí)確保輸出結(jié)果與原始模型逐位相同。

論文地址：https://arxiv.org/abs/2504.11651

為了支持使用動(dòng)態(tài)長(zhǎng)度編碼進(jìn)行高效推理，團(tuán)隊(duì)專門開(kāi)發(fā)了一個(gè)定制的GPU內(nèi)核，用于實(shí)現(xiàn)快速的在線解壓縮：

1. 將內(nèi)存密集型的查找表 (LUT) 分解為更緊湊的LUT，使其能夠完全放入GPU的SRAM中；

2. 一個(gè)雙階段內(nèi)核，利用輕量級(jí)的輔助變量來(lái)協(xié)調(diào)線程的讀寫位置；

3. Transformer Block級(jí)的解壓縮，從而最大限度地降低延遲。

在Llama-3.1、Qwen-2.5、Gemma-3等SOTA模型上的實(shí)驗(yàn)表明， DFloat11除了能有效壓縮模型的大小之外，同時(shí)還能保持完全一致的輸出結(jié)果。

與將模型的部分?jǐn)?shù)據(jù)卸載到CPU的方案相比，DFloat11在Token生成任務(wù)中實(shí)現(xiàn)了1.9到38.8倍的吞吐量提升。

在GPU顯存固定的情況下，DFloat11能夠支持比未壓縮模型長(zhǎng)5.3到13.17倍的上下文長(zhǎng)度。

特別值得一提的是，DFloat11成功地實(shí)現(xiàn)了Llama-3.1-405B（810GB）在單節(jié)點(diǎn)上（8塊80GB GPU）的無(wú)損推理。

Llama-3.1-405B擁有4050億參數(shù)，采用16位Brain Float（BFloat16）格式，需要約810GB內(nèi)存才能實(shí)現(xiàn)完整推理，超過(guò)了典型GPU服務(wù)器的容量（如配備8×80GB GPU的DGX A100/H100）。

本文一作Tianyi Zhang，是萊斯大學(xué)計(jì)算機(jī)科學(xué)專業(yè)的博士生，之前在滑鐵盧大學(xué)獲得計(jì)算機(jī)科學(xué)學(xué)士學(xué)位。

為什么要對(duì)LLM進(jìn)行無(wú)損壓縮？

在目前的有損量化技術(shù)中，模型通常被壓縮到更低的位寬度（如8位或4位）。

雖然部分基準(zhǔn)測(cè)試表明，8位量化是一種相對(duì)「安全」的壓縮方案，但在實(shí)際體驗(yàn)時(shí)終究不如無(wú)損的模型。

例如，LLM Arena上的人工評(píng)估顯示，Llama-3.1-405B-Instruct及其8位版本（Llama-3.1-405B-Instruct-FP8）之間的性能存在顯著下降，尤其是在編碼和長(zhǎng)查詢?nèi)蝿?wù)中。

類似的，將DeepSeek-R1-Distill-Llama-70B從16位量化到8位會(huì)導(dǎo)致GPQA上的性能下降23.7%（從9.51%降至7.25%）。

此外，推理作為現(xiàn)代LLM的核心能力，似乎對(duì)壓縮損失特別敏感。

一些基準(zhǔn)測(cè)試表明，使用8位SmoothQuant（用于權(quán)重、注意力和KV緩存）量化的DeepSeek-R1-Distill-Qwen-1.5B，會(huì)在AIME、MATH-500、GPQA-Diamond和LiveCodeBench等數(shù)據(jù)集上的推理性能，平均下降9.09%（從48.82%降至44.29%）。

有損壓縮降低質(zhì)量，無(wú)損壓縮缺乏效率

相比之下，無(wú)損壓縮技術(shù)在有效減小大規(guī)模LLM大小的同時(shí)，能夠保留其精確的原始權(quán)重，確保模型的輸出分布與未壓縮表示（例如BFloat16）的輸出分布完全一致。

然而，現(xiàn)有的無(wú)損壓縮方法主要側(cè)重于提高LLM的存儲(chǔ)效率，例如縮小模型檢查點(diǎn)，或者優(yōu)化諸如FPGA等專用硬件的性能。

這些方法雖然有利于訓(xùn)練過(guò)程中的高效檢查點(diǎn)回滾，或者從Hugging Face等模型倉(cāng)庫(kù)加速下載，但其優(yōu)勢(shì)通常難以有效地?cái)U(kuò)展到基于GPU的LLM推理。

實(shí)驗(yàn)方法

為了推動(dòng)LLM權(quán)重的無(wú)損壓縮，團(tuán)隊(duì)分析了最新LLM權(quán)重中BFloat16各個(gè)組成部分（符號(hào)、指數(shù)和尾數(shù)）的可壓縮性。

具體來(lái)說(shuō)，團(tuán)隊(duì)使用香農(nóng)熵來(lái)量化LLM線性投影矩陣中參數(shù)的信息量。香農(nóng)熵H(·)定義如下：

其中X是一個(gè)離散隨機(jī)變量，其所有可能取值的集合為χ，p:χ→[0,1]表示其概率質(zhì)量函數(shù)。

如圖1所示，符號(hào)和尾數(shù)部分的熵值與其對(duì)應(yīng)的位寬接近，說(shuō)明它們的可壓縮空間不大。相比之下，指數(shù)部分的熵值明顯較低，只有約2.6位，但其分配的位數(shù)為8位，這意味著無(wú)損壓縮存在很大的機(jī)會(huì)。

無(wú)損LLM壓縮框架，實(shí)現(xiàn)高效GPU推理

為了解決LLM權(quán)重在BFloat16表示中存在的巨大信息冗余問(wèn)題，團(tuán)隊(duì)提出了一種利用熵編碼來(lái)對(duì)浮點(diǎn)參數(shù)進(jìn)行編碼的無(wú)損壓縮框架——DFloat。

首先，基于LLM線性投影矩陣中所有BFloat16權(quán)重的指數(shù)分布構(gòu)建一個(gè)Huffman樹(shù)。

然后，使Huffman編碼壓縮指數(shù)部分，同時(shí)保留原始的符號(hào)位和尾數(shù)。

指數(shù)被編碼后，緊密地打包到EncodedExponent字節(jié)數(shù)組中，而符號(hào)位和尾數(shù)則保持未壓縮狀態(tài)，存儲(chǔ)在另一個(gè)PackedSignMantissa字節(jié)數(shù)組中。

動(dòng)態(tài)長(zhǎng)度浮點(diǎn)數(shù)格式可以緊湊地表示浮點(diǎn)模型參數(shù)

使用緊湊LUT實(shí)現(xiàn)高效解碼

由于Huffman編碼可以通過(guò)機(jī)遇查找表（Lookup Table，LUT）的方法有效地解碼，于是團(tuán)隊(duì)構(gòu)建了一個(gè)大小為2^L的LUT，其中L是碼本中任何Huffman編碼的最大位長(zhǎng)度。

為了進(jìn)行解碼，團(tuán)隊(duì)從編碼的位流中讀取接下來(lái)的L位，并將它們作為L(zhǎng)UT的索引來(lái)獲取下一個(gè)解碼后的符號(hào)。

為了解碼DFloat11格式的指數(shù)，限制每個(gè)模型的最大代碼長(zhǎng)度L為32位。

對(duì)于那些L大于32的模型，團(tuán)隊(duì)通過(guò)將最不常見(jiàn)的指數(shù)的頻率降低到1并重新構(gòu)建Huffman樹(shù)來(lái)強(qiáng)制滿足長(zhǎng)度約束。

如此，便會(huì)在Huffman樹(shù)的尾部產(chǎn)生一個(gè)更加平衡的結(jié)構(gòu)，為最稀有的指數(shù)分配相同長(zhǎng)度的代碼，并將最大代碼長(zhǎng)度縮減到3位。

然而，當(dāng)L=32時(shí)，直接使用查找表將需要2³²≈42.9億個(gè)條目，這將消耗巨大的內(nèi)存。

為了解決這個(gè)問(wèn)題，團(tuán)隊(duì)提出將這個(gè)龐大的LUT分割成四個(gè)互不相交且節(jié)省內(nèi)存的查找表——LUT₁、LUT₂、LUT₃和LUT₄。

這樣一來(lái)，內(nèi)存占用就可以完全放在GPU SRAM中，從而實(shí)現(xiàn)快速訪問(wèn)。

兩階段Kernel和輕量級(jí)輔助變量

為了能夠?qū)Float11格式中經(jīng)過(guò)熵編碼的指數(shù)進(jìn)行大規(guī)模并行解碼，團(tuán)隊(duì)為每個(gè)線程分配一段固定長(zhǎng)度的、來(lái)自編碼序列的字節(jié)來(lái)進(jìn)行處理。

然而，這種方法會(huì)帶來(lái)兩個(gè)主要的挑戰(zhàn)：

1. 由于Huffman編碼的位寬是可變的，并且編碼后的數(shù)據(jù)是被緊密地打包在一起的，因此每個(gè)線程開(kāi)始解碼的起始位位置并不明確。

2. 除了第一個(gè)線程之外，其他線程所要解碼的元素的索引是未知的，這導(dǎo)致難以確定用于存儲(chǔ)解碼結(jié)果的正確輸出位置。

為了解決第一個(gè)問(wèn)題，團(tuán)隊(duì)使用一個(gè)間隙數(shù)組來(lái)確定每個(gè)線程的起始位位置。

這個(gè)間隙數(shù)組Gaps為每個(gè)線程包含一個(gè)條目，每個(gè)條目都指定了相對(duì)于該線程所分配的起始字節(jié)，第一個(gè)有效Huffman編碼的位偏移量。由于最大代碼長(zhǎng)度為32位，因此每個(gè)偏移量的值都在[0,31]范圍內(nèi)。為了保證內(nèi)存效率，團(tuán)隊(duì)使用5個(gè)位來(lái)編碼每個(gè)條目。

為了解決第二個(gè)問(wèn)題，最直接的方法是維護(hù)一個(gè)數(shù)組，用于存儲(chǔ)每個(gè)線程所解碼的第一個(gè)元素的輸出位置。然而，這種方法會(huì)帶來(lái)巨大的存儲(chǔ)開(kāi)銷。

為了減少存儲(chǔ)開(kāi)銷，團(tuán)隊(duì)只存儲(chǔ)每個(gè)線程塊中第一個(gè)元素的輸出位置，而不是存儲(chǔ)每個(gè)線程的輸出位置。

為了能夠使用塊級(jí)的輸出位置信息進(jìn)行解碼，團(tuán)隊(duì)采用了一種兩階段的Kernel設(shè)計(jì)。

在第一階段，一個(gè)線程塊內(nèi)的所有線程并行地解碼分配給它們的那部分編碼序列，但是并不將任何輸出結(jié)果寫入到全局內(nèi)存中。取而代之的是，每個(gè)線程會(huì)計(jì)算它將要解碼的元素的數(shù)量。

完成這一步之后，團(tuán)隊(duì)同步同一個(gè)線程塊內(nèi)的所有線程，并通過(guò)計(jì)算前綴和來(lái)確定每個(gè)線程的輸出位置，計(jì)算前綴和的起始位置是該線程塊的已知輸出位置。

在第二階段，每個(gè)線程會(huì)重新解碼相同的那部分編碼序列，這一次會(huì)將解碼后的結(jié)果寫入到HBM中正確的輸出位置。

為了避免在這兩個(gè)階段中重復(fù)訪問(wèn)HBM，團(tuán)隊(duì)將編碼后的指數(shù)數(shù)據(jù)加載到SRAM中。

兩階段Kernel的偽代碼

Transformer Block級(jí)解壓縮

至此，就有了一套完整的方法，可以對(duì)經(jīng)過(guò)熵編碼的指數(shù)進(jìn)行大規(guī)模并行解壓縮。

LLM的權(quán)重以DFloat11格式存儲(chǔ)，同時(shí)還包含輕量級(jí)的輔助數(shù)據(jù)：線程級(jí)的間隙偏移量以及塊級(jí)的輸出位置，這些數(shù)據(jù)用于確定每個(gè)線程的讀取和寫入位置。

在推理過(guò)程中，壓縮后的權(quán)重?cái)?shù)據(jù)和這些輔助變量都完全駐留在GPU上。

當(dāng)需要使用某個(gè)權(quán)重矩陣進(jìn)行矩陣乘法運(yùn)算時(shí)，該矩陣會(huì)被動(dòng)態(tài)地解壓縮為原始的BFloat16格式。一旦矩陣乘法運(yùn)算完成，這個(gè)BFloat16格式的矩陣會(huì)立即被丟棄，以節(jié)省GPU顯存。

在實(shí)際應(yīng)用中，由于單個(gè)權(quán)重矩陣的尺寸通常相對(duì)較小，因此單獨(dú)解壓縮一個(gè)權(quán)重矩陣往往無(wú)法充分利用GPU資源。

在DFloat11解壓縮Kernel中，將每個(gè)線程處理的字節(jié)數(shù)設(shè)置為n=8，每個(gè)線程塊中的線程數(shù)設(shè)置為T=256，線程塊的數(shù)量設(shè)置為B=?|EncodedExponent|/(nT)?，其中|EncodedExponent|表示編碼后的指數(shù)數(shù)據(jù)所占的總字節(jié)數(shù)。

隨著DFloat11格式的權(quán)重?cái)?shù)據(jù)尺寸的增加，會(huì)有更多的線程塊被利用起來(lái)，從而可以提高整體的解壓縮吞吐量。

圖6展示了這種現(xiàn)象，它表明解壓縮的吞吐量會(huì)隨著矩陣尺寸的增加而顯著提升。為了充分利用這一特性，研究團(tuán)隊(duì)建議將多個(gè)矩陣的解壓縮操作進(jìn)行批處理，以此來(lái)提高吞吐量并隱藏延遲。

更具體地說(shuō)，可以將單個(gè)Transformer Block內(nèi)的所有DFloat11格式的權(quán)重矩陣的解壓縮操作進(jìn)行批處理。

在Transformer Block中執(zhí)行任何計(jì)算操作之前，團(tuán)隊(duì)首先解壓縮與其相關(guān)聯(lián)的所有權(quán)重?cái)?shù)據(jù)。這種方法能夠顯著降低解壓縮的延遲，并提高整體的推理效率。

圖5展示了在不同的批處理大小下，使用DFloat11壓縮的Llama-3.1-8B-Instruct模型的延遲細(xì)分情況。

實(shí)驗(yàn)結(jié)果

DF11將LLM壓縮至70%大小

表2展示了DF11對(duì)多種最新LLM的壓縮比率。

壓縮的模型包括LLaMA3/3.1/3.3、Qwen2.5、QwQ、Mistral Nemo/Small/Codestral、Gemma2/3以及DeepSeek-R1-Distilled。

實(shí)驗(yàn)結(jié)果顯示，DF11對(duì)所有模型的壓縮比約為70%，相當(dāng)于大約11位的有效位寬。

DF11壓縮完全無(wú)損

研究團(tuán)隊(duì)通過(guò)一系列標(biāo)準(zhǔn)基準(zhǔn)測(cè)試驗(yàn)證了DF11壓縮的無(wú)損特性。

評(píng)估使用lm_evaluation_harness工具進(jìn)行，報(bào)告了MMLU和TruthfulQA的準(zhǔn)確率，以及WikiText和C4的詞級(jí)困惑度。

如表3所示，壓縮模型的準(zhǔn)確率和困惑度與原始BF16模型完全一致。

為了進(jìn)一步驗(yàn)證無(wú)損特性，他們將DF11解壓后的BF16權(quán)重矩陣與表2中各模型的原始權(quán)重矩陣進(jìn)行比較，確認(rèn)兩者在比特級(jí)上完全相同。

DF11在推理效率上超越CPU卸載

研究團(tuán)隊(duì)比較了DF11和BF16模型在不同硬件平臺(tái)上的推理效率。

未壓縮的BF16模型通常會(huì)超出單個(gè)GPU的顯存限制，而無(wú)損壓縮的DF11模型則不會(huì)超出。

對(duì)于BF16模型，團(tuán)隊(duì)將模型的大部分內(nèi)容和計(jì)算保留在GPU上，同時(shí)將部分組件及其相關(guān)計(jì)算卸載到CPU上。

如圖3所示，DF11模型始終優(yōu)于采用CPU卸載的BF16模型，延遲降低了1.85至38.83倍或吞吐量更高。

DF11支持更長(zhǎng)的生成長(zhǎng)度

DF11壓縮帶來(lái)的顯存節(jié)省不僅減少了推理所需的GPU數(shù)量，還支持更長(zhǎng)的生成長(zhǎng)度。

在推理過(guò)程中，KV緩存會(huì)隨著解碼token數(shù)量的增加而線性增長(zhǎng)，很快成為GPU顯存的瓶頸。

圖4展示了在批大小為1時(shí)，DF11和BF16模型在推理過(guò)程中隨著解碼token數(shù)量增加的GPU顯存消耗情況。

如圖所示，DF11壓縮顯著延長(zhǎng)了token生成長(zhǎng)度，與BF16模型相比，在達(dá)到GPU顯存限制前能解碼5.33至13.17倍的token數(shù)量。

結(jié)論

在這項(xiàng)工作中，研究人員提出了動(dòng)態(tài)長(zhǎng)度浮點(diǎn)（DFloat）作為一種針對(duì)LLM權(quán)重的無(wú)損壓縮數(shù)據(jù)格式。DFloat是目前唯一一種既能減少顯存占用又兼容高效GPU推理的數(shù)據(jù)格式。

具體來(lái)說(shuō)，他們使用11位的DFloat格式（DF11）評(píng)估了多個(gè)熱門LLM，并為此格式開(kāi)發(fā)了定制的GPU內(nèi)核。

實(shí)驗(yàn)結(jié)果表明，基于DF11的壓縮顯著降低了服務(wù)LLM的硬件需求，而且在大多數(shù)實(shí)際應(yīng)用場(chǎng)景下，它所增加的額外計(jì)算負(fù)擔(dān)也是可以接受的。