新智元报道

编辑：KingHZ

【新智元导读】原生1bit大模子BitNet b1.58 2B4T再升级！微软宣布BitNet v2，性能险些0损失，而占用内存和盘算本钱显著降低。

还没过几天，原班人马带着第二代BitNet v2来了！

这次性能险些0损失，但占用内存和盘算本钱显著降低！

论文链接：https://arxiv.org/abs/2504.18415

先前的开创性研究，如BitNet b1.58，已经证实：

纵然将权重量化到1.58位，也能在极大降低推理本钱（延迟、内存占用、吞吐量、能耗）的同时，坚持与全精度模子相当的性能。

然而，激活值异常点让1比特大语言模子安排变得重大。

BitNet v2框架，首次实现对1比特LLMs的原生4比特激活值量化。

针对注重力机制和前馈网络中激活值的异常漫衍问题，在激活值量化前，H-BitLinear？槭┘釉谙逪adamard变换（Hadamard transformation）。

图1上半部分：BitNet v2整体架构以及H-BitLinear？榈母爬

这种变换能将尖锐的激活值漫衍转化为更靠近高斯形态的平滑漫衍，从而适配低比特体现。

原生4比特盘算

得益于下一代GPU（如GB200）等硬件的前进，深度学习领域正迅速接纳量化和低比特推理手艺。

新硬件原生支持4比特盘算，为大规模模子带来显著的效率提升。

盘算机中32、16、8比特浮点数差别的体现要领

然而，只管BitNet b1.58将权重量化为1.58比特，缓解了内存带宽瓶颈，但它的激活值仍坚持8比特精度。

模子无法充分使用新硬件的4比特盘算能力。

实现更低比特宽度的激活值关于最大化硬件使用率至关主要，尤其是在批处置惩罚推理场景中，高效的内核设计尤为主要。

要害问题在于LLM内部激活值的不匀称漫衍。

虽然注重力机制和前馈网络（FFN）层的输入通常泛起类高斯漫衍，适合量化，但中心状态（最终投影前的输出）往往包括显著的离群值，阻碍了激进的低比特量化。

图1下半部分：注重力层中输出投影Wo和前馈网络中下投影Wdown的激活漫衍情形

对输入接纳4比特量化和对中心状态使用8比特希罕化，可以解决这一问题。

只管性能损失较小，但希罕化并不适合批处置惩罚推理场景的最大吞吐量需求，由于硬件更倾向于麋集盘算以提升效率。

为弥合这一差别并充分验展1.58比特LLM在4比特盘算中的潜力，研究团队提出了BitNet v2框架，实现了模子全流程的原生4比特激活值，框架焦点立异是H-BitLinear。

BitNet v2：原生4位激活

BitNet v2模子基于类似LLaMA的组件构建，包括RMS归一化、SwishGLU激活函数，并完全移除了偏置项（bias）。

BitNet v2的整体架构

与先前的BitNet相比，BitNet v2在注重力？榈氖涑鐾队癢o和前馈网络（FFN）的下投影Wdown中，引入了H-BitLinear？，以专门处置惩罚中心状态中泛起的异常通道（outlier channels）。

BitNet v2的训练流程分为两阶段：

首先，从零最先使用1.58位权重和8位激活（INT8）举行预训练
；

随后，在坚持权重量化稳固的基础上,将所有线性层（除输入/输出embedding外）进一步微调为4位激活（INT4）。

H-BitLinear？

BitNet v2接纳逐张量平均绝对值量化（per-tensor absmean）战略对权重举行三值量化（也就是{-1, 0, 1}）：

关于低比特激活的问题，已有研究指出：

注重力层和前馈网络中前置线性变换的输入激活，通常泛起高斯漫衍，较适合量化
；

而注重力输出（Wo）和FFN下投影（Wdown）的中心状态激活，则往往包括大宗离群通道（outlier channels），且大部分值集中于0周围，严重影响低位量化精度。

H-BitLinear可以取代注重力机制输出投影和FFN下投影的标准线性层。

H-BitLinear在激活量化前应用在线哈达玛变换），把中心状态中尖锐、易爆发离群值的漫衍重塑为更易处置惩罚的类高斯漫衍，显著镌汰1.58比特模子中离群值的影响。

Hadamard变换界说如下：

其中的矩阵乘法接纳快速Hadamard变换算法（Fast Hadamard Transform，FHT），其盘算重漂后为O(nlogn)。

Hadamard矩阵是一类特殊的正交矩阵。

它的特点是每个元素只能是+1或-1，并且每行（或每列）之间的内积为0，体现相互正交。

阿达马矩阵的命名来自于法国数学家Jacques Solomon Hadamard。

法国数学家：Jacques Solomon Hadamard

如图2和图3所示，引入Hadamard变换后，中心状态的漫衍越发靠近高斯形态。

这显著镌汰了离群值数目，使其更适合举行4位激活量化（INT4）。

图2：在使用8位激活时，BitNet b1.58与BitNet v2的激活漫衍比照。

图3：接纳8比特激活值时，BitNet b1.58与BitNet v2在前馈网络Wdown层和注重力机制Wo层的激活值漫衍比照。

关于8位激活（INT8）和4位激活（INT4）量化战略，划分接纳下列战略：

综上，H-BitLinear层的整体矩阵运算可体现为：

其中，LN(?)体现层归一化（LayerNorm）。

研究团队重新最先使用8比特激活值训练BitNet v2，与BitNet b1.58相比性能损失微乎其微。

随后，通过少量数据高效微调，模子即可适配原生4比特激活值。

实验效果

实验批注，4比特BitNet v2变体在性能上与BitNet a4.8相当，但在批处置惩罚推理场景中提供更高的盘算效率。

别的，与后训练量化要领SpinQuant和QuaRot，则险些周全领先。

比BitNet b1.58更快

BitNet V2与BitNet b1.58比，性能险些0损失。

BitNet v2及其基线模子的详细实验效果，如表1所示。

在注重力机制和前馈网络（FFN）层的量化前引入哈达玛变换后，模子的疑心度（perplexity）下降极小。

关于8比特激活值，BitNet v2相较于BitNet b1.58体现出更高的性能，在1.3B、3B和7B模子规模上，终端使命的平均准确率划分提升了0.16%、0.49%和0.61%。

别的，BitNet v2支持所有线性层的原生4比特激活值，从而显著提升了批处置惩罚推理的效率。

在使用INT4（4比特整数）激活值时，BitNet v2的疑心度与BitNet a4.8相当，同时在3B和7B模子的下游使命中展现出更优的性能。

表1：BitNet v2、BitNet a4.8与BitNet b1.58在终端使命上的疑心度及性能体现

表2和表3划分总结了BitNet v2（8比特激活，a8）和BitNet v2（4比特激活，a4）在低比特注重力机制下的详细效果。

研究职员对QKV状态接纳了RoPE（旋转位置编码）后的量化要领。

QKV头通过absmax函数直接量化为无符号整数，无需任何校准数据集。

如表2和表3所示，接纳3比特KV缓存的BitNet v2在3B和7B模子上的准确率与使用全精度KV缓存的模子相当。

表2：BitNet v2在终端使命上的零样本准确率，其中激活使用8位，而QKV状态的位宽则有所差别。

表3：BitNet v2在终端使命上的零样本准确率，其中激活使用4位，而QKV状态的位宽则有所差别。

与其他后训练量化要领的比照

BitNet v2 (a4)与主流的后训练量化基线要领举行了比照，包括SpinQuant和QuaRot，在1.3B参数规模的模子上举行了评测。

QuaRot通过引入随机Hadamard变换以缓解特征离群问题，SpinQuant则使用了可学习的旋转矩阵（rotary matrix）。

随后，这两种要领划分接纳GPTQ和absmax战略，将权重和激活量化到4位。

由于BitNet b1.58沿用训练时使用的absmean函数举行权重量化，而非使用GPTQ。

在各项指标上，BitNet v2稳拿第一，详细效果见表4。

表4：BitNet v2、QuaRot和SpinQuant在各项下游使命上的疑心度（Perplexity）与零样本准确率（Zero-shot Accuracy）比照

另外，在Hadamard变换对差别模子尺寸（1.3B和3B）影响的实验（见表5）中，研究者发明：

没有旋转处置惩罚（No rotation）时，模子直接发散，无法正常训练
；

引入Hadamard旋转（无论是权重+激活，照旧仅激活），都能显著稳固低位训练，并提高最终准确率。

表5：差别规模下H-BitLinear的Hadamard变换的消融研究。

模子训练、消融实验等其他内容和细节，请参阅原文。

参考资料：

https://arxiv.org/abs/2504.18415