Форматы квантизации LLM: INT8, INT4, GPTQ, AWQ, GGUF — что выбрать?

70B модель в fp16 весит 140 ГБ — не влезает на две RTX 3090. Квантизация LLM — единственный способ ужать до 35 ГБ с минимальной потерей качества. За 5 лет мы помогли более 100 проектам оптимизировать инференс, сократив затраты на оборудование до 75%.

Почему квантизация LLM критична для деплоя?

Нехватка VRAM — главная проблема при деплое больших языковых моделей. Модель 70B в fp16 не влезает в одну consumer GPU, а две RTX 3090 дают 48 ГБ — после квантизации до INT4 остаётся запас для пакетной обработки. Скорость инференса вырастает с 50 до 200+ tok/s, а стоимость аренды GPU (например, 8×A100) снижается в 4 раза — достаточно 2×L40. Экономия оборудования — ключевой драйвер: квантизация 70B модели до INT4 позволяет развернуть её на двух RTX 3090 вместо восьми A100, снижая капитальные затраты в 4 раза. Снижение расходов на аренду GPU при переходе с fp16 на INT4 составляет до 75% за счёт сокращения требуемого числа ускорителей.

Сравнение форматов квантизации

Каждый формат требует calibration dataset (128–512 примеров), репрезентативного для задач модели. Неправильный calibration ухудшает качество — мы подбираем его под проект.

Какой формат квантизации выбрать?

GPTQ: Post‑Training Quantization с коррекцией ошибок

GPTQ квантизирует послойно, минимизируя ошибку на небольшом calibration датасете:

from transformers import AutoModelForCausalLM, GPTQConfig

gptq_config = GPTQConfig(
    bits=4,
    dataset="c4",
    desc_act=True,
    group_size=128,
    damp_percent=0.1,
)

model = AutoModelForCausalLM.from_pretrained(
    "meta-llama/Meta-Llama-3.1-8B-Instruct",
    quantization_config=gptq_config,
    device_map="auto"
)

model.save_pretrained("./llama3-8b-gptq-int4")

Calibration занимает 30–120 минут на CPU или GPU. Как показано в GPTQ, этот метод обеспечивает качество, близкое к fp16, при 4-кратном сжатии.

AWQ: Activation‑Aware Weight Quantization

AWQ определяет «важные» веса по активациям и защищает их от агрессивной квантизации:

from awq import AutoAWQForCausalLM
from transformers import AutoTokenizer

model = AutoAWQForCausalLM.from_pretrained("meta-llama/Meta-Llama-3.1-8B-Instruct")
tokenizer = AutoTokenizer.from_pretrained("meta-llama/Meta-Llama-3.1-8B-Instruct")

quant_config = {
    "zero_point": True,
    "q_group_size": 128,
    "w_bit": 4,
    "version": "GEMM"
}

model.quantize(tokenizer, quant_config=quant_config)
model.save_quantized("./llama3-8b-awq")

AWQ даёт прирост ~0.5–1% по perplexity на задачах reasoning по сравнению с GPTQ (см. AWQ).

GGUF: универсальный формат для llama.cpp

GGUF — формат для деплоя через llama.cpp, поддерживающий CPU-инференс и partial GPU offloading:

# Конвертация HuggingFace модели в GGUF
python convert_hf_to_gguf.py \
  --model meta-llama/Meta-Llama-3.1-8B-Instruct \
  --outtype f16 \
  --outfile llama3-8b-f16.gguf

# Квантизация в Q4_K_M (рекомендуется)
./quantize llama3-8b-f16.gguf llama3-8b-q4km.gguf Q4_K_M

Варианты квантизации GGUF (от лучшего качества к меньшему размеру):

• Q8_0: 8-bit, ~8.5GB для 8B модели, отличное качество
• Q6_K: 6-bit, ~6.1GB, высокое качество
• Q5_K_M: 5-bit mixed, ~5.1GB, хорошее качество
• Q4_K_M: 4-bit mixed, ~4.1GB, рекомендуется для большинства задач
• Q3_K_M: 3-bit, ~3.2GB, заметная деградация

Пошаговый алгоритм выбора формата

1. Определите железо: какая GPU, сколько VRAM, допустим ли CPU-инференс.
2. Замерьте baseline: latency и throughput на fp16/bf16.
3. Выберите 2–3 кандидата: для NVIDIA GPU — AWQ и GPTQ; для CPU/гибрида — GGUF.
4. Проведите квантизацию и протестируйте на ваших данных: perplexity, метрики задачи, latency P95.
5. Сравните и выберите оптимум. Если разница незаметна — берите формат с лучшей поддержкой (AWQ или GGUF).

Практический пример: деплой на 2×RTX 3090

Задача: деплой fine-tuned Llama 3.1 8B на сервере с 2×RTX 3090 (48GB VRAM суммарно) для 50 concurrent users.

Требования: latency P95 < 3с, throughput > 100 tok/s.

Выбор: AWQ INT4 — умещается в одну 3090 24GB с резервом, throughput 280 tok/s перекрывает требование, качество минимально деградирует.

Инференс квантизованной модели через vLLM

from vllm import LLM, SamplingParams

# AWQ модель
llm = LLM(
    model="./llama3-8b-awq",
    quantization="awq",
    dtype="auto",
    gpu_memory_utilization=0.85,
)

# GPTQ модель
llm = LLM(
    model="./llama3-8b-gptq-int4",
    quantization="gptq",
    dtype="auto",
)

outputs = llm.generate(["Привет, как дела?"], SamplingParams(max_tokens=200))

Когда квантизация неэффективна?

Если модель уже работает с приемлемым временем ответа и не упирается в VRAM — квантизация избыточна. Также она не подходит для задач, где критична каждая десятая процента качества (medical, legal). В таких случаях оставляют fp16 или bf16, но жертвуют скоростью.

Что входит в работу и сроки

• Анализ модели и железа, подбор 2–3 форматов для теста
• Квантизация (GPTQ/AWQ/GGUF) с calibration на ваших данных
• Интеграция через vLLM, llama.cpp или Triton Inference Server
• Тестирование latency P50/P95/P99, throughput, качества (perplexity + метрики задачи)
• Документация по развёртыванию и эксплуатации
• Обучение команды работе с квантизованной моделью

Ориентировочные сроки:

• GPTQ/AWQ для 8B модели: 1–3 часа. Для 70B: 6–18 часов.
• GGUF конвертация: 15–60 минут.
• Тестирование и выбор формата: 1–3 дня.
• Итого: 2–5 дней под ключ.

Оценим ваш проект за 1 день — свяжитесь с нами, мы подберём оптимальный формат квантизации. Закажите аудит модели и получите рекомендацию по квантизации. Опыт — более 5 лет и 100+ успешных кейсов.

Практический разбор LLM: fine-tuning, RAG, агенты, деплой

Модель GPT‑4 или Claude 3.5 Sonnet через публичное API — не решение, а просто инструмент. Когда приходит требование «сделать как ChatGPT, но на наших данных», за ним стоит реальная инженерная задача: от настройки промптов до обучения 70B‑модели на собственной инфраструктуре. Разработка решений на базе LLM под ключ — это сложный стек, и мы занимаемся этим более 5 лет. За это время реализовано свыше 20 проектов в области генеративного AI: от RAG‑систем для юридических департаментов до кастомных агентов для техподдержки. Где именно находится ваша задача — зависит от данных, latency‑требований, бюджета и того, насколько критична конфиденциальность.

Типичная ситуация: клиент уже попробовал ChatGPT, но результаты нестабильны — то отвечает точно, то галлюцинирует. Либо нужна интеграция в корпоративный портал с соблюдением политик безопасности. Разберём каждый слой стека в деталях — от RAG до production‑деплоя.

Почему RAG‑системы ломаются и как это исправить?

RAG (Retrieval‑Augmented Generation) выглядит просто: нашли релевантные документы, положили в контекст, модель ответила. На практике сбоит в нескольких местах.

Chunking без перекрытия. Классическая ошибка: chunk_size=512, overlap=0. Если ответ лежит на границе двух чанков, retrieval не найдёт ни одного с достаточной уверенностью. Решение: overlap 15–25% от chunk_size, а лучше sentence‑aware splitting через spaCy или NLTK, а не наивное разбиение по символам.

Плохой embedder. Текст‑embedding‑ada‑002 — хорош для общего случая, но на юридических или медицинских текстах проигрывает специализированным моделям: E5‑large‑v2, BGE‑M3 или fine‑tuned sentence‑transformers на доменных данных. Разница в Recall@5 может составлять 15–25%.

Отсутствие re‑ranking. Векторный поиск оптимизирован по скорости, не по релевантности. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) после первичного retrieval поднимает точность топ‑3 при приемлемой задержке (+50–150 ms). Это часто важнее улучшения embedding‑модели.

Гибридный поиск. Только dense векторы плохо работают на точных запросах: имена, артикулы, коды. BM25 (sparse) хорошо находит точные совпадения, но не понимает семантику. Гибрид через RRF (Reciprocal Rank Fusion) — оптимальный компромисс. Qdrant, Weaviate и pgvector 0.7+ поддерживают гибридный поиск нативно.

Когда стоит fine‑tune, а не промпт‑инжиниринг?

Промпт‑инжиниринг решает ~70% задач адаптации LLM под домен. Оставшиеся 30% требуют дообучения. Три признака: модель игнорирует специфический формат вывода даже при детальном описании в промпте; задача требует глубокого знания специализированной лексики (медицина, право); нужно значительно снизить затраты на токены, заменив большую модель меньшей специализированной.

LoRA и QLoRA — стандарт для SFT. LoRA добавляет trainable low‑rank матрицы к attention‑слоям. Типичная конфигурация для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — обучаемых параметров ~0.8%, обучение на одной A100 40GB. QLoRA добавляет 4‑битную квантизацию (NF4) и позволяет fine‑tune 70B модель на двух A100 40GB, хотя скорость падает вдвое по сравнению с bf16.

DPO вместо RLHF. Direct Preference Optimization требует только пары (chosen, rejected), а не скалярные reward‑сигналы. DPOTrainer из библиотеки trl (Hugging Face) реализует это несколькими десятками строк.

Типичная ошибка. Датасет из 500 примеров, 5 эпох, validation loss 0.8 — кажется норм. Но на тесте модель деградировала на общих инструкциях. Причина: catastrophic forgetting. Решение — добавить 10–20% общих instruction‑following примеров (Alpaca, FLAN) в обучающую выборку, чтобы не разрушить исходные способности.

Как выбрать базовую модель: 8B или 70B?

Для большинства задач fine‑tuning 8B модели достаточно. 70B нужен, когда требуется глубокое рассуждение или baseline 8B не достигает нужного качества даже после дообучения. Стоимость инференса Llama‑3 8B через vLLM на A100 — около $0.001/1K токенов, что в 15 раз дешевле GPT‑4.

Что даёт PagedAttention в production?

vLLM — первый выбор для serving open‑source моделей. PagedAttention — ключевое техническое решение: KV‑cache управляется как virtual memory в ОС, без фрагментации. Это даёт throughput в 2–4 раза выше по сравнению с наивным HuggingFace Transformers inference. Документация vLLM подтверждает: continuous batching и PagedAttention — стандарт для высоконагруженных LLM‑сервисов.

Типичные числа на A100 80GB для Llama‑3 8B (bf16): 400–600 req/s, P50 latency 200–400ms, P99 latency 600–900ms при concurrency 64. Для 70B на двух A100 с tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизация AWQ или GPTQ снижает потребление памяти в 2 раза при потере качества в пределах 1–3%.

Мультиагентные системы

Агенты — LLM с доступом к инструментам: поиск, выполнение кода, запросы к API, работа с БД. Основные паттерны:

• ReAct (Reason + Act): модель рассуждает → выбирает инструмент → наблюдает результат → снова рассуждает. LangChain и LlamaIndex реализуют из коробки.
• Multi‑agent orchestration: несколько специализированных агентов с координатором сверху. Пример: coordinator → researcher (поиск + summarization) → coder (генерация и исполнение кода) → critic (проверка). Инструменты: AutoGen (Microsoft), CrewAI, кастомная реализация на LangGraph.

В продакшене агентные системы недетерминированы. Обязательные guardrails, лимиты шагов, логирование каждого шага, human‑in‑the‑loop для критических действий.

Как мы работаем: этапы, сроки, результат

Что входит в работу

Мы передаём:

• Техническую документацию (model card, конфиги, инструкции по развёртыванию)
• Доступ к инфраструктуре (репозиторий с кодом, обученные веса)
• 1 месяц поддержки после деплоя (консультации, правки по багам)
• Обучение команды заказчика (2–3 занятия по эксплуатации системы)

Сроки: базовый RAG‑прототип — 1–2 недели. Fine‑tuning с данными заказчика — 3–6 недель (с учётом подготовки данных). Production‑система с мониторингом и переобучением — 2–4 месяца. Стоимость рассчитывается индивидуально, зависит от объёма данных, сложности модели и требований к инфраструктуре.

Хотите оценить свой проект? Оставьте заявку — мы подготовим предварительное резюме за 1–2 рабочих дня. Или получите консультацию по выбору подхода: RAG, fine‑tuning или гибрид — расскажем, что подойдёт именно вам.