FP4推理精度失效
5 steps1 pieces5 Sources
AI推理基础设施公司Rebellions与韩国汉阳大学在ICML 2026发表研究指出,大推理模型(LRMs)在FP4全量化(W4A4KV4)下精度崩塌的主因并非高熵分支点扰动,而是模型最自信的低熵位置(如数字、运算符)在温度采样下的概率质量偏移累积。为此提出的ReQAT框架通过轨迹对齐QAT、选择性熵最小化及量化友好初始化,使R1-Qwen-14B在NVFP4 W4A4KV4下达到65.94%的AIME精度,匹配BF16全量微调水平,并在8K输出长度下实现3.05倍吞吐量提升。【背景】此前NVIDIA B200等硬件已原生支持FP4,但软件栈中频繁出现的精度异常(如vLLM和SGLang中的Bug报告)证实了“硬件能力超前于模型容忍度”的行业痛点。
How it got here
SGLang社区报告在NVIDIA B200上使用Flashinfer后端运行Llama-3.1-405B-Instruct-FP4时出现严重精度问题(GSM8K准确率降至0.015),而Triton后端正常。
github.com ↗vLLM社区报告在B200上结合DeepEP低延迟模式与特定DP Chunk Size配置时,NVFP4 MoE模型出现数值精度下降,疑似与CUDA Graphs有关。
github.com ↗Rebellions与汉阳大学团队向arXiv提交论文《ReQAT: Achieving Full-Precision Reasoning Accuracy with 4-bit Floating-Point Quantization-Aware Training》,提出解决FP4推理精度失效的新框架。
arxiv.org ↗该研究在ICML 2026会议上作为Oral Presentation展示,正式确立低熵位置采样误差为FP4失效主因的理论解释。
icml.cc ↗Rebellions官方博客发布文章《Can We Quantize Everything to 4 Bits?》,详细解读ReQAT机制及其对推理基础设施的意义。
rebellions.ai ↗
What is still unsettled
- ReQAT框架在其他非Qwen系列或更大参数规模(如70B+)的推理模型上的泛化能力如何?