FP-Quant

FP-Quantは、Nvidia GPUのBlackwell世代向けに設計された量子化アルゴリズムのファミリーです。その目的は、MXFP4およびNVFP4データ型において、LLMの効率的な学習後量子化（PTQ）および量子化認識学習（QAT）を可能にすることです。

この統合は、Microscaling FP4 量子化における期待と性能のギャップを埋める プレプリントに付随するものです。

現在、pseudoquantization=TrueでのQATのみがサポートされています。モデルは、quantization_config=FPQuantConfig()を指定してオンザフライで量子化できます。

from transformers import AutoModelForCausalLM, AutoTokenizer, FPQuantConfig
import torch

model = AutoModelForCausalLM.from_pretrained(
    "qwen/Qwen3-8B",
    quantization_config=FPQuantConfig(),
    device_map="auto",
    dtype=torch.bfloat16,
)

または、FP Format Quantization Harnessを参照して、より高い品質を得るためにGPTQで前処理を行ってください。

FPQuantConfig(forward_dtype="mxfp4") を使用して、MXFP4 と NVFP4 のいずれかを選択できます。NVFP4 はより高い品質を提供しますが、メモリ使用量がわずかに多くなります。

カーネルの実行には、Blackwell世代のGPUが必要です。FP-Quantのランタイムサポートは、QuTLASSライブラリと軽量なPyTorchインターフェースライブラリfp_quantを通じて実装されています。前者はソースから、後者はpip install fp_quantでのインストールを推奨します。

Blackwell世代のGPUを持っていないユーザーは、QuTLASSをインストールせずに、quantization_config=FPQuantConfig(pseudoquantization=True)を指定してこのメソッドを使用できます。これにより速度向上は得られませんが、量子化の効果を完全にエミュレートできます。

FP-Quantで事前量子化されたモデルは、ISTA-DASLabの公式コレクションでご利用いただけます。

torch.compile

FP-Quant は torch.compile と完全に互換性があります。

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer, FPQuantConfig

model = AutoModelForCausalLM.from_pretrained(
    "qwen/Qwen3-8B",
    quantization_config=FPQuantConfig(),
    device_map="auto",
    dtype=torch.bfloat16,
)

model.forward = torch.compile(model.forward, mode="max-autotune", fullgraph=True)

高速化

FP-Quant は、非常に大きなバッチサイズでの処理において、現時点で最高のパフォーマンスを発揮します。

高速化の詳細については、QuTLASS READMEを参照してください。