ChatGPT引领了生成式语言大模型的应用与技术热潮，首先简单回顾ChatGPT应用范式：将其应用于指定的下游任务时（如知识问答、翻译、编码），ChatGPT需要经历三个阶段的训练（增强人类语境的猜想）：

1. 使用人类标注数据微调，学习人类想要的答案；

1. 训练Reward model，学习人类偏好或意图；

1. 使用强化学习（PPO算法）微调大模型，对齐人类偏好。

ChatGPT是基于GPT3.5（1750亿参数规模）训练获得的，其模型结构为Decoder-only单向掩码架构，推理部署需要分布式推理调度的支持。其在单机A100上进行多卡分布式推理时，自回归解码的响应延迟在百毫秒到数秒量级，因此部署应用面临着响应延迟高、成本开销大的问题。模型压缩是实现ChatGPT小型化应用、减少部署成本的关键，但需要引入哪些压缩算法？具体有哪些技术挑战？实现高倍压缩，整体流程需要怎么设计？

从以下几个问题展开讨论：

• 大规模预训练阶段：通过在线蒸馏或自蒸馏，预训练小尺寸模型，需要考虑蒸馏的知识类型、助教模型的设计等；除Decoder-only模型结构外，小型化架构创新也非常关键；

• 下游迁移阶段的挑战：小样本学习的数据量少、训练周期数短，直接应用传统的结构剪枝、张量分解等结构化压缩方法，会引起较大的精度损失。一方面，基于少样本信息（Data-driven）与模型权重信息（Data-free），如何设计有效的压缩指示（Importance Indicator）；另一方面，在少样本微调过程中，如何借助多种类型的教师知识设计蒸馏方法，也是辅助精度保持、泛化性保持的关键技术手段；

• 稀疏化压缩：由于大模型参数规模巨大，非结构（Element-wise）或半结构（Vector-wise, etc.）稀疏化的冗余度相对较高，相比于结构剪枝所面临的精度损失风险更低，有助于实现更高倍数压缩。一方面，也需要考虑如何设计有效的压缩指示，以支持高比例压缩（如90%稀疏度，10倍压缩），并且高参数效率的稀疏正则化有助于降低训练成本；另一方面，稀疏化压缩的推理部署，需要稀疏访存与计算算子的支持，为达成理想的压缩与加速收益（减少稀疏格式解码等开销），更需要DSA计算芯片架构的支持；

• 混合精度量化：生成式语言大模型（如OPT-175B、ChatGPT）的特征维度非常高（超过10000），特征当中的异常值（Outliers）占比通常超过1%，长尾分布显著。若对整个网络的不同Layer均采用相同位宽（如INT8）进行量化，将引起较大的量化精度损失。因此需要设计合理的混合精度量化方法以降低精度损失风险；并引入极低比特量化（如4/2-bit）提高压缩倍数，但1-bit量化可能需要设计针对Attention的二值化网络结构，二值化的精度收敛效果较难保证。混合精度量化以及极低比特量化，需要算子、硬件层面的软硬件协同支持。

参考：https://blog.csdn.net/nature553863/article/details/128177323?spm=1001.2014.3001.5502

• 组合压缩：涉及多种压缩策略时（剪枝、张量分解、量化与稀疏化等），设计有效的组合压缩方案，是实现千亿模型至少20倍压缩、单机单卡部署的关键。此外，Training-aware压缩方法，需要考虑占用更少的分布式训练开销。

有关Transformer类模型压缩的讨论，具体参考：

https://blog.csdn.net/nature553863/article/details/120292394?spm=1001.2014.3001.5502