针对此一疑难，混元团队前景将要点转向强化修习与模型蒸馏等技艺路径，以期进一步缩低比特量化模型与全精度模型之间之本领差距。
此一模型对比原始精度模型等效参数量降低6倍，沿用原模型全思考本领，可根据差事繁度切换长/短思维链；同时于确凿端侧设备上生成速度提升2-3倍。
比特为计算机存储之最小单位，一般模型之精度有2比特、4比特、8比特、32比特等表示法门，数值越大模型之精度更高，所占之内存就越大。
https://huggingface.co/AngelSlim/HY-1.8B-2Bit/blob/main/AngelSlim_Technical_Report.pdf。
https://huggingface.co/AngelSlim/HY-1.8B-2Bit-GGUF https://github.com/Tencent/AngelSlim 当前，HY-1.8B-2Bit之本领仍受限于督察微调（SFT）之操练流程，以及根基模型本身之性能与抗压本领。
https://huggingface.co/AngelSlim/HY-1.8B-2Bit ▲HY-1.8B-2Bit模型生成效果，2bit量化后之模型速度明显更快 ▲ HY-1.8B原始精度模型生成效果 结语：模型“瘦身”，加速端边侧智能演进 https://huggingface.co/AngelSlim/HY-1.8B-2Bit 于天玑9500上同样进行之测试，对比HY-1.8B-Q4格式首字时延能够加速1.5~2倍，生成速度加速约1.5倍。
于MacBook M4芯片上，HY-1.8B-2Bit固定之线程数为2测试之不同窗口大小下之首字时延与生成速度，模型选定fp16、Q4、HY-1.8B-2Bit三种gguf格式作为对比，首字时延于1024输入内能够保3~8倍之加速，生成速度上常用窗口下对比原始模型精度，HY-1.8B-2Bit能够实现至少2倍稳固加速。
该模型基于首名产业级2比特（Bit）端侧量化预案，通过对此前混元之小尺寸言辞模型HY-1.8B-Instruct进行2比特量化感知操练（QAT）产出。
虽2比特量化之精度损失较大，但通过QAT与前卫之量化计策，团队已能让2比特模型接近全精度模型之性能，对比4比特PTQ模型版本数学、代码、格致等指标上表现相当。
上一篇：图卢兹：“吾等没有任何借口……”核心球员于勒阿弗尔表现拉胯，宗旨为否需重新审视？ 下一篇：固收与红利成新宠 ETF资金上演大挪移