Як обрати формат квантизації LLM: порівняння INT8, INT4, GPTQ, AWQ, GGUF

70B модель у fp16 важить 140 ГБ — не вміщається на дві RTX 3090. Квантизація LLM — єдиний спосіб стиснути до 35 ГБ з мінімальною втратою якості. За понад 5 років ми допомогли більш ніж 100 проектів оптимізувати інференс, скоротивши витрати на обладнання до 75% (економія до $10,000 на місяць на оренді GPU). Гарантія якості — сертифіковані фахівці.

Чому квантизація LLM критична для деплою?

Нестача VRAM — головна проблема при деплої великих мовних моделей. Модель 70B у fp16 не вміщається в одну consumer GPU, а дві RTX 3090 дають 48 ГБ — після квантизації до INT4 залишається запас для пакетної обробки. Швидкість інференсу зростає з 50 до 200+ tok/s, а вартість оренди GPU (наприклад, 8×A100) знижується в 4 рази — достатньо 2×L40. Економія обладнання — ключовий драйвер: квантизація 70B моделі до INT4 дозволяє розгорнути її на двох RTX 3090 замість восьми A100, знижуючи капітальні витрати в 4 рази. Зниження витрат на оренду GPU при переході з fp16 на INT4 складає до 75% за рахунок скорочення необхідної кількості прискорювачів.

Порівняння форматів квантизації

Кожен формат вимагає calibration dataset (128–512 прикладів), репрезентативного для задач моделі. Неправильний calibration погіршує якість — ми підбираємо його під проект.

Який формат квантизації обрати?

GPTQ: Post‑Training Quantization з корекцією помилок

GPTQ квантизує пошарово, мінімізуючи помилку на невеликому calibration датасеті:

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 займає 30–120 хвилин на CPU або GPU. Як показано в GPTQ (https://github.com/IST-DASLab/gptq), цей метод забезпечує якість, близьку до fp16, при 4-кратному стисненні.

AWQ: Activation‑Aware Weight Quantization

AWQ визначає «важливі» ваги по активаціях і захищає їх від агресивної квантизації:

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 дає приріст ~0.5–1% по perplexity на задачах reasoning порівняно з GPTQ (див. AWQ (https://github.com/mit-han-lab/awq)).

GGUF: універсальний формат для llama.cpp

GGUF — формат для деплою через llama.cpp, що підтримує CPU-інференс і partial GPU offloading:

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

# Квантизація в Q4_K_M (рекомендується)
./quantize llama3-8b-f16.gguf llama3-8b-q4km.gguf Q4_K_M

Варіанти квантизації GGUF (від найкращої якості до меншого розміру):

• Q8_0: 8-bit, ~8.5GB для 8B моделі, відмінна якість
• Q6_K: 6-bit, ~6.1GB, висока якість
• Q5_K_M: 5-bit mixed, ~5.1GB, хороша якість
• Q4_K_M: 4-bit mixed, ~4.1GB, рекомендується для більшості задач
• Q3_K_M: 3-bit, ~3.2GB, помітна деградація

Покроковий алгоритм вибору формату

Практичний приклад: деплой на 2×RTX 3090

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

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

Інференс квантизованої моделі 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(["Привіт, як справи?"], SamplingParams(max_tokens=200))

Коли квантизація неефективна?

Якщо модель вже працює з прийнятним часом відповіді і не впирається в VRAM — квантизація надлишкова. Також вона не підходить для задач, де критична кожна десята відсотка якості (medical, legal). У таких випадках залишають fp16 або bf16, але жертвують швидкістю.

Що входить в роботу та терміни

• Аналіз моделі та заліза, підбір 2–3 форматів для тесту
• Квантизація (GPTQ/AWQ/GGUF) з calibration на ваших даних
• Інтеграція через vLLM, llama.cpp або Triton Inference Server
• Тестування latency P50/P95/P99, throughput, якості (perplexity + метрики задачі)
• Документація по розгортанню та експлуатації
• Навчання команди роботі з квантизованою моделлю

Орієнтовні терміни:

• GPTQ/AWQ для 8B моделі: 1–3 години. Для 70B: 6–18 годин.
• GGUF конвертація: 15–60 хвилин.
• Тестування та вибір формату: 1–3 дні.
• Разом: 2–5 днів під ключ.

Оцінимо ваш проект за 1 день — зв'яжіться з нами, ми підберемо оптимальний формат квантизації. Замовте аудит моделі та отримайте рекомендацію по квантизації. Досвід — понад 5 років і 100+ успішних кейсів.

Практичний розбір LLM: fine-tuning, RAG, агенти, деплой

Модель GPT‑4 або Claude 3.5 Sonnet через публічне API — не рішення, а просто інструмент. Коли приходить вимога «зробити як ChatGPT, але на наших даних», за нею стоїть реальна інженерна задача: від налаштування промптів до навчання 70B‑моделі на власній інфраструктурі. LLM розробка під ключ — це складний стек, і ми займаємося цим понад 5 років. За цей час реалізовано понад 20 проєктів у галузі генеративного AI: від RAG‑систем для юридичних департаментів до кастомних агентів для техпідтримки. Де саме знаходиться ваша задача — залежить від даних, latency‑вимог, бюджету та того, наскільки критична конфіденційність.

Типова ситуація: клієнт уже спробував ChatGPT, але результати нестабільні — то відповідає точно, то галюцинує. Або потрібна інтеграція в корпоративний портал з дотриманням політик безпеки. Розберемо кожен шар стеку в деталях — від RAG до production‑деплою.

Чому RAG‑системи ламаються і як це виправити?

RAG (Retrieval‑Augmented Generation) виглядає просто: знайшли релевантні документи, поклали в контекст, модель відповіла. На практиці збоїть у кількох місцях.

Chunking без перекриття. Класична помилка: chunk_size=512, overlap=0. Якщо відповідь лежить на межі двох чанків, retrieval не знайде жодного з достатньою впевненістю. Рішення: overlap 15–25% від chunk_size, а краще sentence‑aware splitting через spaCy або NLTK, а не наївне розбиття за символами.

Поганий embedder. Текст‑embedding‑ada‑002 — хороший для загального випадку, але на юридичних або медичних текстах програє спеціалізованим моделям: E5‑large‑v2, BGE‑M3 або fine‑tuned sentence‑transformers на доменних даних. Різниця в Recall@5 може становити 15–25%.

Відсутність re‑ranking. Векторний пошук оптимізований за швидкістю, не за релевантністю. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) після первинного retrieval піднімає точність топ‑3 при прийнятній затримці (+50–150 ms). Це часто важливіше за покращення embedding‑моделі.

Гібридний пошук. Тільки dense вектори погано працюють на точних запитах: імена, артикули, коди. BM25 (sparse) добре знаходить точні збіги, але не розуміє семантику. Гібрид через RRF (Reciprocal Rank Fusion) — оптимальний компроміс. Qdrant, Weaviate та pgvector 0.7+ підтримують гібридний пошук нативно.

Коли варто fine‑tune, а не промпт‑інжиніринг?

Промпт‑інжиніринг вирішує ~70% завдань адаптації LLM під домен. Решта 30% вимагають донавчання. Три ознаки: модель ігнорує специфічний формат виведення навіть при детальному описі в промпті; задача вимагає глибокого знання спеціалізованої лексики (медицина, право); потрібно значно знизити витрати на токени, замінивши велику модель меншою спеціалізованою.

LoRA та QLoRA — стандарт для SFT. LoRA додає trainable low‑rank матриці до attention‑шарів. Типова конфігурація для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — параметрів, що навчаються, ~0.8%, навчання на одній A100 40GB. QLoRA додає 4‑бітну квантизацію (NF4) і дозволяє fine‑tune 70B модель на двох A100 40GB, хоча швидкість падає вдвічі порівняно з bf16.

DPO замість RLHF. Direct Preference Optimization вимагає лише пари (chosen, rejected), а не скалярні reward‑сигнали. DPOTrainer з бібліотеки trl (Hugging Face) реалізує це кількома десятками рядків.

Типова помилка. Датасет з 500 прикладів, 5 епох, validation loss 0.8 — здається норм. Але на тесті модель деградувала на загальних інструкціях. Причина: catastrophic forgetting. Рішення — додати 10–20% загальних instruction‑following прикладів (Alpaca, FLAN) у навчальну вибірку, щоб не зруйнувати вихідні здібності.

Як обрати базову модель: 8B чи 70B?

Для більшості задач fine‑tuning 8B моделі достатньо. 70B потрібен, коли потрібне глибоке міркування або baseline 8B не досягає потрібної якості навіть після донавчання. Вартість інференсу Llama‑3 8B через vLLM на A100 значно нижча, ніж у GPT‑4, що робить його економічно вигідним.

Що дає PagedAttention в production?

vLLM — перший вибір для serving open‑source моделей. PagedAttention — ключове технічне рішення: KV‑cache керується як virtual memory в ОС, без фрагментації. Це дає throughput у 2–4 рази вище порівняно з наївним HuggingFace Transformers inference. Документація vLLM підтверджує: continuous batching та PagedAttention — стандарт для високонавантажених LLM‑сервісів.

Типові 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 двох A100 з tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизація AWQ або GPTQ знижує споживання пам'яті в 2 рази при втраті якості в межах 1–3%.

Мультиагентні системи

Агенти — LLM з доступом до інструментів: пошук, виконання коду, запити до API, робота з БД. Основні патерни:

• ReAct (Reason + Act): модель розмірковує → обирає інструмент → спостерігає результат → знову розмірковує. LangChain та LlamaIndex реалізують з коробки.
• Multi‑agent orchestration: кілька спеціалізованих агентів з координатором зверху. Приклад: coordinator → researcher (пошук + summarization) → coder (генерація та виконання коду) → critic (перевірка). Інструменти: AutoGen (Microsoft), CrewAI, кастомна реалізація на LangGraph.

В продакшені агентні системи недетерміновані. Обов'язкові guardrails, ліміти кроків, логування кожного кроку, human‑in‑the‑loop для критичних дій.

Як ми гарантуємо якість LLM рішення?

Ми використовуємо RAGAS для автоматичної оцінки відповідей: faithfulness, answer relevancy, context precision. Система трекінгу експериментів на базі MLflow фіксує всі метрики, датасети та конфіги. Це дозволяє порівнювати різні гіпотези та доводити покращення з цифрами. Гарантію стабільної роботи забезпечує continuous integration з тестами на специфічних сценаріях (prompt injection, edge‑cases).

Як почати LLM розробку: наступні кроки

Ми передаємо:

• Технічну документацію (model card, конфіги, інструкції з розгортання)
• Доступ до інфраструктури (репозиторій з кодом, навчені ваги)
• 1 місяць підтримки після деплою (консультації, виправлення багів)
• Навчання команди замовника (2–3 заняття з експлуатації системи)

Терміни: базовий RAG‑прототип — 1–2 тижні. Fine‑tuning з даними замовника — 3–6 тижнів (з урахуванням підготовки даних). Production‑система з моніторингом та перенавчанням — 2–4 місяці.

Вартість розраховується індивідуально і залежить від обсягу даних, складності моделі та вимог до інфраструктури. Хочете оцінити свій проєкт? Зв'яжіться з нами — ми підготуємо попереднє резюме за 1–2 робочі дні. Або замовте консультацію фахівця з вибору підходу: RAG, fine‑tuning або гібрид — розповімо, що підійде саме вам.