IT 之家 10 月 6 日消息，华为苏黎世计算系统实验室于 9 月 26 日发布全新开源量化（Quantization）技术 SINQ（Sinkhorn 归一化量化），旨在大幅降低大语言模型（LLM）的显存需求与运行成本。

这项技术无需复杂的校准过程，可直接集成至现有工作流，并且其代码已通过 Apache 2.0 许可证在 GitHub 和 Hugging Face 上开放，允许任何组织免费使用、修改和商业化部署。

SINQ 的核心优势在于其卓越的压缩性能。根据测试，该技术能将不同规模模型的显存占用普遍削减 60% 至 70%。这意味着，过去需要超过 60GB 显存才能运行的大型模型，现在仅需约 20GB 的环境即可部署。

此前需要企业级 GPU（如英伟达 A100 80GB 或 H100）计算的任务，现在仅用一张售价约 1600 美元的消费级显卡（如英伟达 RTX 4090）便可胜任。对于云端用户而言，每小时的算力成本也随之锐减。

该技术通过两大创新实现了性能突破。首先，SINQ 采用 " 双轴采样 " 策略，替代了传统的单尺度因子量化，通过分别为矩阵的行和列设置独立的缩放向量，更灵活地分散量化误差，有效抑制了异常值的影响。

其次，SINQ 引入了一种受 Sinkhorn 迭代启发的快速归一化算法，用于平衡矩阵行列的标准差，从而最小化 " 矩阵不平衡 " 现象，提升了量化后的模型精度。

在性能评估中，SINQ 的表现全面超越了多种主流的免校准量化方法（如 RTN、HQQ）。在处理 Qwen3、LLaMA 等多种主流模型时，SINQ 在 WikiText2 等标准测试集上显著降低了模型的困惑度（Perplexity），其性能表现接近甚至达到了需要数据校准的方案水平。

此外，SINQ 的量化速度极快，比 HQQ 快约 2 倍，更是比 AWQ 快 30 倍以上，充分满足了研究与生产环境中对效率的严苛要求。

IT 之家注：量化一种模型压缩技术，通过降低模型内部数据的精度来减小其体积和显存占用。好比将一张高精度的照片（如浮点数）转换为一张文件更小、但肉眼看差别不大的普通照片（如整数），从而让模型运行得更快、更省资源。

困惑度（Perplexity）示评估语言模型性能的常用指标。它衡量的是模型对于一段新文本的 " 惊讶 " 或 " 不确定 " 程度。困惑度越低，表示模型对文本的预测越准确，语言能力越强。

参考