🧠 LLM 原理与推理优化
量化与模型压缩
LLM 原理与推理优化专题：用 1 个核心问题讲清原理、取舍与落地。
一句话定位
从 Transformer 到微调、量化和在线推理容量。 回答时沿着“数学机制 → 计算/显存代价 → 对 Agent 的影响”展开。
核心原理与问题解析
量化的 INT8、INT4 在做什么？
量化用更低位宽表示权重或激活，减少显存和带宽并可能加速推理。位宽越低不一定越快或越准，取决于硬件内核、校准方法和任务敏感度。
继续想： 权重量化与 KV Cache 量化有何区别？；如何评测量化损失？
工程落地检查
- 先画清输入、输出和张量/状态的变化
- 区分训练、Prefill 与 Decode
- 同时比较质量、吞吐、延迟和显存
- 用目标硬件与真实任务压测
- 模型、Tokenizer 和推理参数共同版本化
常见误区
- 只背名词，不解释为什么影响系统
- 把理论复杂度直接等同实际速度
- 只看模型榜单，不测业务任务