LLM 量化部署实战：GPTQ 与 AWQ 方案深度解析
引言：量化是让大模型\”跑得动\”的关键
大模型的参数量动辄几十亿、上百亿，直接以 FP16 精度部署，显存需求巨大，普通硬件根本跑不动。例如，一个 7B 参数的模型，FP16 精度下需要约 14GB 显存；而 70B 参数的模型，则需要上百 GB 显存，远超单卡能力。
量化（Quantization）正是解决这一问题的核心技术。它通过降低数值精度，减少模型的显存占用和计算量，从而让大模型能在更低的硬件成本下高效运行。在众多量化方案中，GPTQ 和 AWQ 是当前最主流、应用最广泛的两条技术路线。本文将从原理到实战，深度解析这两大方案。
一、量化技术的基本原理
1.1 什么是量化
量化是将模型权重从高精度（如 FP16、FP32）转换为低精度（如 INT8、INT4）的过程。核心思想是：用更少的比特数表示数值，从而减少存储和计算开销。
1.2 量化的收益
- 显存占用降低：INT8 量化可将模型体积压缩至 25%，INT4 可进一步压缩。
-
- 推理速度提升：低精度计算更快，吞吐量可提升 3-5 倍。
-
- 成本降低：更低的硬件要求，更低的部署成本。<
