这就是由微软和中国中科院大学在最新一项研究中所提出的结论——
所有的LLM，都将是1.58 bit的。
具体而言，这项研究提出的方法叫做BitNet b1.58，可以说是从大语言模型“根儿”上的参数下手。
将传统以16位浮点数（如FP16或BF16）形式的存储，统统变成了三进制，也就是 {-1, 0, 1}。
值得注意的是，这里的“1.58 bit”并不是指每个参数占用1.58字节的存储空间，而是指每个参数可以用1.58位的信息来表示。
在如此转换之后，矩阵中的计算就只会涉及到整数的加法，因此会让大模型在保持一定精度的同时，显著减少所需的存储空间和计算资源。
例如BitNet b1.58在3B模型大小时与Llama做比较，速度提高了2.71倍的同时，GPU内存使用几乎仅是原先的四分之一。
而且当模型的规模越大时（例如70B），速度上的提升和内存上的节省就会更加显著！
这种颠覆传统的思路着实是让网友们眼前一亮，论文在X上也是受到了高度的关注：
网友们惊叹“改变游戏规则”的同时，还玩起了谷歌attention论文的老梗：
1 bit is all YOU need.
那么BitNet b1.58具体又是如何实现的？我们继续往下看。
把参数都变成三进制
这项研究实则是原班人马在此前发表的一篇论文基础之上做的优化，即在原始BitNet的基础上增加了一个额外的0值。
整体来看，BitNet b1.58依旧是基于BitNet架构（一种Transformer），用BitLinear替换了nn.Linear。
至于细节上的优化，首先就是我们刚才提到的“加个0”，即权重量化（weight quantization）。
BitNet b1.58模型的权重被量化为三元值{-1, 0, 1}，这相当于在二进制系统中使用了1.58 bit来表示每个权重。这种量化方法减少了模型的内存占用，并简化了计算过程。
其次，在量化函数设计方面，为了将权重限制在-1、0或+1之间，研究者们采用了一种称为absmean的量化函数。
这个函数先会根据权重矩阵的平均绝对值进行缩放，然后将每个值四舍五入到最接近的整数（-1, 0, +1）。
接下来就到了激活量化（activation quantization）这一步。
激活值的量化与BitNet中的实现相同，但在非线性函数之前不将激活值缩放到[0, Qb]的范围内。相反，激活值被缩放到[−Qb, Qb]的范围，以此来消除零点量化。
值得一提的是，研究团队为了BitNet b1.58与开源社区兼容，采用了LLaMA模型的组件，如RMSNorm、SwiGLU等，使得它可以轻松集成到主流开源软件中。
最后，在实验的性能比较上，团队将BitNet b1.58与FP16 LLaMA LLM在不同大小的模型上进行了比较。
结果显示，BitNet b1.58在3B模型大小时开始与全精度LLaMA LLM在困惑度上匹配，同时在延迟、内存使用和吞吐量方面有显著提升。
而且当模型规模越大时，这种性能上提升就会越发显著。
网友：能在消费级GPU跑120B大模型了
正如上文所言，这篇研究独特的方法在网上引发了不小的热议。
DeepLearning.scala作者杨博表示：
BitNet b1.58相比原版BitNet，最大的特点就是允许0参数。我觉得稍微修改一下量化函数，也许可以控制0参数的比例。当0参数的比例很大时，可以用稀疏格式存储权重，使得平均每个参数的显存占用甚至低于1比特。这就相当于权重级别的MoE了。我觉得比一般的MoE更优雅。
与此同时，他也提出了关于BitNet的缺点：
BitNet最大的缺点在于虽然能减少推理时的显存开销，但优化器状态和梯度仍然要用浮点数，训练仍然很费显存。我觉得如果能把BitNet和训练时节省显存的技术结合起来，那么相比传统半精度网络，同等算力和显存下支持更多参数，优势就很大了。
目前能节省优化器状态的显存开销的办法是offloading。能节省梯度的显存占用的办法可能是ReLoRA。但是ReLoRA的论文实验只用了十亿参数的模型，并没有证据表明能不能推广到百亿、千亿参数的模型。
△图源：知乎，经授权引用
不过也有网友分析认为：
若论文成立，那么我们就能在24GB消费级GPU上跑120B的大模型了。
那么你觉得这种新方法如何呢？
