ByteDance y otros lanzan el primer modelo de cuantificación FLUX de 1,58 bits con una reducción de parámetros TP3T del 99,51, ¡comparable al FLUX de precisión total!

亮点分析

• 1.58-bit FLUX，第一个将 FLUX 视觉 Transformador 的参数（共 119 亿）减少 99.5% 至 1.58-bit 的量化模型，无需依赖图像数据，大幅降低存储需求。
• 开发了一个高效的线性内核，针对 1.58-bit 计算进行了优化，实现了显著的内存减少和推理加速。
• pruebe 1.58-bit FLUX 在具有挑战性的 T2I 基准测试中，性能与全精度 FLUX 模型相当。

总结速览

解决的问题

• 当前文本生成图像（T2I）模型，如 DALLE 3、Stable Diffusion 3 等，参数量巨大，推理时内存需求高，难以在资源有限的设备（如移动设备）上部署。
• 本文重点研究极低比特量化（1.58-bit）在 T2I 模型中的可行性，以减少存储和内存需求，同时提升推理效率。

提出的方案

• 选用 FLUX.1-dev 模型作为量化目标，通过后训练量化方法将其权重压缩为 1.58-bit（值限制为 {-1, 0, +1}），无需访问图像数据。
• 开发专用的低比特操作优化内核，进一步提升推理效率。

应用的技术

• 1.58-bit 权重量化：使用类似 BitNet b1.58 的方法，将模型的线性层权重压缩至 1.58-bit，并通过 2-bit 有符号整数存储权重，从而实现极低比特化。
• 无监督量化方法：完全依赖 FLUX.1-dev 模型本身的自监督机制，无需依赖混合精度方案或额外的训练数据。
• 定制化内核：针对低比特操作优化的推理内核，降低内存使用并缩短推理延迟。

达到的效果

• 存储效率：模型存储需求减少 7.7×，从 16-bit 压缩到 2-bit。
• 推理效率：推理时的内存使用减少 5.1×，推理延迟显著改善。
• Generar calidad：在 GenEval 和 T2I Compbench 基准测试上，生成质量与全精度 FLUX 基本持平，验证了方案的有效性和实用性。

Resultados

establecer

cuantificable：使用一个校准数据集进行量化，数据集由 Parti-1k 数据集和 T2I CompBench 训练集的提示语组成，共计 7,232 条提示语。整个过程完全不依赖图像数据，不需要额外的数据集。量化将 FLUX 中 FluxTransformerBlock 和 FluxSingleTransformerBlock 的所有线性层权重压缩至 1.58-bit，占模型总参数的 99.5%。

valoración：在 GenEval 数据集 和 T2I CompBench 验证集上评估 FLUX 和 1.58-bit FLUX，遵循官方的图像生成流程。

• GenEval 数据集：包含 553 条提示语，每条提示语生成 4 张图像。
• T2I CompBench 验证集：包含 8 个类别，每个类别有 300 条提示语，每条提示语生成 10 张图像，总计生成 24,000 张图像进行评估。
• 所有图像均以 1024 × 1024 的分辨率生成，适用于 FLUX 和 1.58-bit FLUX。

al final

actuaciones：在 T2I Compbench 和 GenEval 基准测试中，1.58-bit FLUX 与全精度 FLUX 的性能表现相当，具体结果见表 1 和表 2。在应用自定义线性内核前后，性能变化微乎其微，进一步验证了实现的准确性。

eficacia：如下图 2 所示，1.58-bit FLUX 在模型存储和推理内存上取得了显著提升。在推理延迟方面，如下表 3 所示，特别是在低性能但易于部署的 GPU（如 L20 和 A10）上，改进更为显著。

结论与讨论

本文提出了 1.58-bit FLUX，将 99.5% 的 Transformer 参数量化至 1.58-bit，并通过自定义计算内核实现了以下改进：

• 存储需求减少：模型存储需求降低 7.7 倍。
• 推理内存减少：推理内存使用减少超过 5.1 倍。

尽管实现了这些压缩效果，1.58-bit FLUX 在 T2I 基准测试中表现出与全精度模型相当的性能，同时保持了较高的视觉质量。希望 1.58-bit FLUX 能够激励社区开发更适合移动设备的模型。

当前局限性

关于速度改进的局限性

• 尽管 1.58-bit FLUX 降低了模型大小和内存消耗，但由于缺乏激活值量化和更高级的内核优化，其延迟改进有限。
• 鉴于目前取得的成果，希望激励社区开发适用于 1.58-bit 模型的自定义内核实现。

关于视觉质量的局限性

• 如下图 1、图 3 和图 4 所示，1.58-bit FLUX 能生成与文本提示高度一致的生动逼真的图像，但在渲染超高分辨率细节时仍落后于原始 FLUX 模型。
• 计划在未来研究中缩小这一差距。

FLUX 与 1.58-bit FLUX 的视觉比较。1.58-bit FLUX 在采用 1.58-bit 量化的情况下展示了与 FLUX 相当的生成质量，其中视觉 Transformer 的 11.9B 参数中有 99.5% 被约束为 +1、-1 或 0。为保持一致性，每次比较中的所有图像均使用相同的潜在噪声输入生成。1.58-bit FLUX 使用了一个自定义的 1.58-bit 内核。

推理代码和权重正在发布：https://github.com/Chenglin-Yang/1.58bit.flux