Delta-CoMe是什么
Delta-CoMe是清华大学NLP实验室联合OpenBMB开源社区、北京大学和上海财经大学提出的新型增量压缩算法，一个80G的A100 GPU能轻松加载多达50个7B模型，节省显存约8倍，同时模型性能几乎与压缩前的微调模型相当。Delta-CoMe基于结合低秩分解和低比特量化技术，用模型参数增量（Delta）的低秩特性，实现混合精度压缩。这种方法能在大幅降低存储和推理成本的同时，保持模型性能几乎无损，尤其在处理数学、代码和多模态等复杂任务时表现出色。
Delta-CoMe的主要功能
- 模型压缩：基于混合精度压缩技术，显著减少大型语言模型（LLMs）的存储和内存需求，让在有限的硬件资源上部署更多的模型成为可能。
- 性能保持：在压缩的同时，保持模型的性能，尤其是在复杂的任务如数学问题解决、代码生成和多模态任务中，确保压缩后的模型性能接近未压缩的微调模型。
- 多任务处理：支持同时部署多个具有不同能力的模型，适用于多租户和多任务处理场景，提高模型部署的灵活性和效率。
- 推理速度提升：基于实现Triton kernel算子，在推理速度上相比PyTorch实现方式提升近3倍，进一步优化模型的运行效率。
Delta-CoMe的技术原理
- 低秩分解：用奇异值分解（SVD）对模型参数增量（Delta）进行低秩分解，发现Delta参数具有低秩特性，即大部分变化集中在少数几个主成分上。
- 混合精度量化：基于低秩分解的结果，采用混合精度量化方法，对不同的奇异向量分配不同的位宽。较大奇异值对应的奇异向量用较高精度表示，而较小奇异值对应的奇异向量用较低精度表示，减少存储需求。
- 长尾分布利用：Delta-CoMe观察到Delta参数的奇异值呈现长尾分布，即大部分奇异值较小，只有少数奇异值较大。因此，对于小奇异值对应的奇异向量进行更激进的压缩，对于大奇异值对应的奇异向量保留更高的精度。
- 兼容性和泛化性：Delta-CoMe方法适用于特定的模型或任务，而且具有很好的泛化性，能与不同的主干模型（如Llama-2、Llama-3和Mistral）兼容，并在多种任务上保持良好性能。
- 硬件优化：为进一步提升推理速度，Delta-CoMe实现针对混合精度量化的Triton kernel算子，让在硬件上的部署更加高效。
Delta-CoMe的项目地址
- GitHub仓库：https://github.com/thunlp/Delta-CoMe
- arXiv技术论文：https://arxiv.org/pdf/2406.08903
Delta-CoMe的应用场景
- 多租户服务：在云计算环境中，支持在有限的硬件资源上为每个客户提供专用模型，节省显存和计算资源。
- 多任务处理：在需要同时处理多种不同任务的场景中，有效地压缩和部署不同任务的模型。
- 端侧部署：在资源受限的边缘计算设备上，减少模型的存储和内存占用。
- 模型微调服务：对于需要频繁微调以适应新数据或新任务的模型，用压缩微调后的模型增量，减少存储和推理成本。
- 学术研究和开发：研究人员和开发者压缩和部署大型语言模型，进行实验和开发，不受硬件资源的限制。
🧭 文中关联 AI 工具官网与参数卡（语宙 AI 导航）
❓ 常见问题解答（FAQ）
Delta-CoMe是什么压缩算法？
Delta-CoMe是清华大学NLP实验室联合OpenBMB、北京大学和上海财经大学提出的增量压缩算法。它利用模型参数增量的低秩特性，结合低比特量化，实现混合精度压缩，在大幅节省显存和存储的同时尽量保持模型性能。
Delta-CoMe能节省多少显存？
文章给出的实测结论是：在80G A100 GPU上，Delta-CoMe可轻松加载多达50个7B模型，显存节省约8倍。它适合需要同时部署多个模型的多租户、多任务场景。
Delta-CoMe适合哪些模型和场景？
Delta-CoMe兼容Llama-2、Llama-3和Mistral等主干模型，适用于数学、代码、多模态等任务，也适合云端多租户服务、端侧部署和模型微调后的增量压缩。
🔬 语宙深潜追问 · 进阶实操拆解
低秩分解和低比特量化怎么配合？
通常先做结构分解压掉冗余，再对剩余权重做低比特量化，能兼顾压缩率和可恢复性。关键是分层设置不同压缩强度，避免把敏感层压得过狠导致精度塌陷。
多模型同机部署最该关注什么？
除了显存占用，还要看切换开销、并发吞吐和冷启动时间。建议把常用模型常驻、长尾模型按需加载，并配合批处理和缓存策略，才能真正把压缩收益转成业务收益。
🗳️ 读者观点微投票 · 您的实战立场是？
Delta-CoMe 这种压缩法能改写部署成本吗？
