INT4：AI 模型量化中的“减重神器”

一句话解释

INT4 是一种模型量化技术，将原本需要 32 位浮点数存储的神经网络参数，压缩成仅用 4 位整数表示，使模型体积缩小约 8 倍，同时保持可接受的精度。

它通过牺牲少量精度换取极致的推理速度和内存节省，让大模型能在低算力设备上运行。

为什么会被关注

大语言模型动辄几百 GB 的参数量和显存需求，限制了它们在个人电脑、手机、智能家居等终端设备上的使用。INT4 量化可以将 7B 参数的模型压缩到 4GB 以下，让普通消费者也能本地运行。

业界对生成式 AI 的移动化需求爆发，同时云服务商希望降低每 Token 计算成本。INT4 能实现 2-4 倍的推理加速，且无需改变模型结构，成为部署优化的首选方案。

核心逻辑

INT4 量化的核心思路是“位宽缩减+重映射”。神经网络权重通常是 FP32（32 位浮点），每个数占 4 字节；INT4 只用 4 位（0.5 字节）表示，但取值范围极窄（16 种状态）。

量化过程先统计原始权重的数值范围（如最小/最大值），然后通过缩放因子（Scale）和零点（Zero Point）将浮点数线性映射到 0-15 的整数。推理时再反向还原成近似浮点值，实现对矩阵乘法的近似计算。

与传统 INT8 相比，INT4 的压缩率提升一倍，但对量化校准技术的要求更高。通常需要结合分组量化（Group-wise Quantization）或梯度缩放策略，或用敏感度划分不同层的量化位宽，来减少精度损失。

常见场景

在 PC 上本地运行 Llama 2、CodeLlama 等模型时，GGML/llama.cpp 框架支持通过 INT4 量化让 7B 模型仅需约 4GB 内存，可在 8GB 内存笔记本上流畅对话。

手机端 AI 助手：高通等芯片厂商推出的 AI Engine 支持 INT4 加速，让语音识别、图像生成等模型直接在手机上运行，无需联网。

云推理降本：服务商对部署的模型（如 GPT-like 模型）应用 INT4 量化，单 GPU 可同时服务更多用户，降低每请求的推理成本。

嵌入式 IoT 设备：如智能摄像头中的目标检测模型，INT4 量化可将体积压缩至数百 KB，适应微控制器的存储和算力限制。

容易混淆的点

INT4 不是训练时的精度，而是推理时的压缩。模型仍以 FP16/BF16 训练，之后对权重做后训练量化（PTQ）或量化感知训练（QAT），推理时采用 INT4 计算。

INT4 和 4bit 精度不是等同概念。有些框架（如 bitsandbytes）使用 NF4（4 位正态浮点）或 FP4（4 位浮点），它们属于非线性量化，与标准的 INT4 线性量化在数值分布和精度表现上不同。

INT4 量化不是无损压缩。对低比特量化敏感的任务（如数学推理、代码生成）可能产生 3%-8% 的准确度下降，需要配合混合量化（部分层保留 INT8/FP16）来平衡。