同一个 1B 模型，我上了三种压缩方案：无损的、4bit 的、还有没跑通的-开发者社区

真正的工程不是追求"最好"，而是知道自己要什么。

量化大模型，所有人都默认精度要打折。但今天这个项目里，有一种压缩，连一个比特都不差——而且，同一个模型上，还同时躺着另外两种完全不同的玩法。

一个模型，三种死法？不，三种活法

先交代背景。

我手头有一个 1B 的小模型，MiniCPM5-1B，Llama 架构，权重 2.16GB。在 4090 上跑得好好的——36 毫秒一次前向，2.2GB 显存。

但我做量化的目的，从来不是为了"在 4090 上跑得快"。我的目标是：让它在更小的地方活着。

手机、平板、边缘盒子——这些地方的内存，是以"GB"为单位心疼的。2.16GB 的权重，对它们来说是奢侈品。

于是，同一份权重，我试了三种思路。

第一种，叫完美主义：一个比特都不能错。
第二种，叫实用主义：可以损失一点，但必须压得狠。
第三种，叫探索主义：我也不知道行不行，先试试。

这三种思路，最后变成了同一个仓库里的三套方案：BF16X、DG 4-bit、TDM-PTQ。

它们之间没有谁赢谁输——因为它们的目标根本不一样。

先看第一剑。它是我上一次视频的主角，但今天我会用一个更扎心的角度讲它。

第一剑·完美主义：BF16X，一个比特都不差

BF16X，无损压缩，压缩比 2.08 倍：2161MB 压到 1041MB，解压出来和原始权重逐比特完全一致。

它干的事，一句话就能说清：bf16 的权重，相邻元素的指数往往差不多。那就别重复存了——每 16 个权重共享一个最大指数，每个权重只存 3 位差值。小部分差得太远的"刺头"，单独放溢出表。

原理就这么朴素。难的是工程：全 Triton 内核实时解码，单层 20 微秒，168 层全部由 GPU 上的自定义内核扛下来，没有一行 PyTorch 后处理。

我为了这"一个比特都不差"的承诺，修了三个 Triton 内核的 bug：符号扩展、跨字边界、位重解释——每一个都足以让权重悄悄变错。

最终成绩：推理 105 毫秒，显存 2.0GB，困惑度 56.02，和原始一模一样。

完美的代价是：它只省了 2 倍，因为它在和"信息论"较劲——真正零冗余的压缩，下限就在那。

但如果你想要更大的空间收益呢？那就轮到第二剑了。

第二剑·实用主义：DG 4-bit，把模型塞进四分之一

第二剑，叫 DyadicGumbel 4-bit。名字很拗口，拆开看就懂了：Dyadic，二进制；Gumbel，一种让"选择"可以学习的技术。

它把每个权重压到 4 比特——理论上是 bf16 的四分之一。168 层、6.79 亿个权重，全部量化。显存从 2.2GB 直接掉到 1.4GB，打包之后磁盘上更夸张：一个 2GB 的模型，能被塞进 170MB 左右。

代价呢？诚实说：有。零样本直接量化，困惑度从 56.02 涨到 61.50，大概损失 10%。

但这个故事的关键词不是"损失"，是"可微调"。

和传统量化"一刀切"不同，DG 的码本在训练阶段是可以跟着权重一起学的——每个权重组共享一个可学习的尺度，用 Gumbel-softmax 软赋值，前向走硬编码、和部署完全一致，反向走真梯度。所以它有后悔药：微调几步，精度就能往回收。

这就像一个厨师：先让菜变难吃一点点，但他告诉你——调料还能调回来。

不过，为了让这个"后悔药"真的生效，我差点把模型训成乱码。这个故事，值得单独讲。

翻车现场：一个梯度公式，把模型干成 2237

DG 4-bit 的开发过程里，有一个非常典型的"自信翻车"。

第一版 QAT 微调，用纯 Python 写软赋值——逻辑对，但慢，慢到训练没法忍。

于是我想：上 Triton 内核。把距离计算、softmax、硬编码，全塞进两个融合内核，数学上和 Python 版本完全等价，还能拿到闭式反向传播。内核写好了，训练启动了。

然后，困惑度开始失控。

零样本 78 还算正常，微调之后不但没降，反而一路冲到了2237。

2237 是什么概念？模型已经不是"变笨"了，是"嘴里开始喷乱码"。我盯着 loss 曲线看了很久，第一反应是学习率炸了，第二反应是数据坏了，第三反应才是——我的梯度公式，在 Triton 里写错了。

数学上等价，实现上不等价：闭式求导里有一个项被我简化掉了，Python 的自动求导能兜底，手写内核不会。而更讽刺的是，这个 bug 在训练初期完全不显眼——loss 还在缓慢下降，你甚至会以为自己在进步。

这就是低比特量化的恐怖之处：它失败得很"礼貌"。

修法也很憋屈：v3 回退到 Python 直通估计，温度从 5 退火到 0.3，跑 1000 步。慢，但稳。

从 2237 回到正常，靠的不是聪明，是承认"我不如自动求导"。

第三剑·探索主义：TDM-PTQ，没跑通的那把剑

第三套方案，TDM-PTQ——时分复用加训练后量化。

它的想法很性感：让每个权重组在不同的时间片里轮流"醒着"，配合量化，把压缩率再往上顶一层。

结果呢？没跑通。

我在仓库里老老实实写着：TDM-PTQ，探索中，24 层的架构需要重新设计。

为什么不删掉它？因为负向结果是最便宜的研究。它告诉后来的人：这条路，24 层的结构走不通，别在这上面浪费三个月。这比我写三千字"为什么我的方案很厉害"值钱得多。

有人会问：没跑通的东西，也放进项目里？放进。就像地图上标注"此路不通"——这不是失败，这是给所有赶路人的礼物。

到这儿，三把剑都出鞘了。现在，该看那张总结表了。

单元6 | 一张表，看懂三种压缩哲学

RTX 4090，MiniCPM5-1B，同一份权重，三种方案：

方案	推理	显存	困惑度	质量	状态
bf16 原始	36ms	2.2GB	56.02	100%	—
BF16X 无损	105ms	2.0GB	56.02	100% 无损	✅
BF16X CPU流式	128ms	0.9GB	56.02	100% 无损	✅
DG 4-bit	112ms	1.4GB	61.50	+10% 可微调	✅
DG 4-bit QAT	—	—	微调中	恢复中	🔄
TDM-PTQ	—	—	—	—	🔄 重构