Quantification et décodage spéculatif
Pour les modèles hébergés par vos soins : quantification int8/int4 pour réduire la mémoire et décodage spéculatif pour augmenter le débit.
Quantification et décodage spéculatif est une leçon AI Agents gratuite sur CoddyKit. Ceci est la leçon 4 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage AI Agents, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours AI Agents comprend 4 leçons au total.
Certaines parties de cette leçon n'ont pas encore été traduites et s'affichent en anglais.
Optimisations des modèles auto-hébergés
Pour les modèles ouverts auto-hébergés, deux gains importants en vitesse et en coût sont possibles :
- Quantisation — poids plus petits, moins de RAM/VRAM et inférence plus rapide
- Décodage spéculatif — générer plusieurs jetons par étape
Principes de la quantisation
Les modèles sont normalement stockés en FP16 (16 bits par poids). La quantisation réduit ce nombre de bits :
- FP16 — référence
- INT8 — deux fois plus petit, perte de qualité presque négligeable
- INT4 / Q4_K_M — quatre fois plus petit, faible perte de qualité
- INT2 / 1.58-bit — au moins huit fois plus petit, perte de qualité réelle
GGUF et niveaux de quantisation
GGUF est le format utilisé par llama.cpp. Niveaux courants :
- Q4_K_M — meilleur équilibre entre qualité et taille
- Q5_K_M — légèrement plus grand, légèrement meilleur
- Q8_0 — qualité presque équivalente à FP16, compression deux fois supérieure
Quantise With llama.cpp
./llama-quantize models/llama-3-8b-f16.gguf models/llama-3-8b-q4_k_m.gguf Q4_K_M
# Or download pre-quantised from TheBloke / unsloth on HuggingFaceImpact du matériel
Un modèle 8B en FP16 nécessite environ 16 Go de VRAM. Le même modèle en Q4 tient dans environ 5 Go de VRAM et fonctionne sur un GPU bien moins coûteux.
Décodage spéculatif
L’astuce consiste à utiliser un petit modèle « brouillon » pour proposer des jetons, puis à les vérifier avec le grand modèle « cible » en une seule passe avant. Le gain de vitesse atteint souvent deux à trois fois.
from transformers import AutoModelForCausalLM
target = AutoModelForCausalLM.from_pretrained('meta-llama/Llama-3.1-70B')
draft = AutoModelForCausalLM.from_pretrained('meta-llama/Llama-3.1-8B')
outputs = target.generate(
input_ids,
assistant_model=draft, # speculative decoding
max_new_tokens=200
)Pourquoi cela fonctionne
Le modèle brouillon propose K jetons. Le modèle cible les traite tous en PARALLEL (une seule passe avant). Chaque jeton accepté est « gratuit ». En cas de rejet, l’opération revient en arrière ; en général, la plupart des jetons sont acceptés.
Autres accélérations du décodage
- Décodage avec anticipation — plusieurs propositions par étape
- Medusa — plusieurs têtes de décodage entraînées conjointement
- EAGLE — spéculation arborescente rapide
Outils qui mettent ces techniques en œuvre
- vLLM — propose la quantisation (AWQ, GPTQ, FP8) et le décodage spéculatif
- llama.cpp — quantisation et spéculation avec --draft-model
- TensorRT-LLM — serveur de production de NVIDIA
- SGLang — serveur rapide adapté au traitement par lots, avec traitement continu par lots
Traitement continu par lots
La fonctionnalité phare de vLLM : traiter plusieurs requêtes de longueurs différentes lors de la même passe avant. Le gain de débit est considérable pour les serveurs de production.
Choisir le niveau de quantisation
Testez chaque niveau candidat sur VOTRE évaluation. Q4_K_M constitue le point de départ par défaut ; choisissez un niveau supérieur si la qualité passe sous le seuil.
Latence par jeton et débit
Les différentes optimisations améliorent des indicateurs différents :
- Latence d’une requête unique : décodage spéculatif
- Débit pour plusieurs utilisateurs : traitement continu par lots
- Coût mémoire : quantisation
Effet de la quantisation
Quel est l’effet principal de la quantisation int4 ?
Récapitulatif
Quantisez en Q4 pour réduire la mémoire et accélérer le traitement. Utilisez le décodage spéculatif pour réduire la latence. Utilisez le traitement continu par lots pour augmenter le débit. vLLM et llama.cpp mettent en œuvre ces trois techniques.
Questions Fréquemment Posées
La leçon « Quantification et décodage spéculatif » est-elle gratuite ?
Oui — le texte complet de « Quantification et décodage spéculatif » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours AI Agents, passe à CoddyKit PRO. Le cours AI Agents comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « Quantification et décodage spéculatif » ?
Pour les modèles hébergés par vos soins : quantification int8/int4 pour réduire la mémoire et décodage spéculatif pour augmenter le débit. Tu pratiques AI Agents avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer AI Agents ?
Aucune expérience préalable n'est requise. AI Agents sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 4 sur 4.
Combien de temps prend la leçon « Quantification et décodage spéculatif » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon AI Agents ?
Oui. Chaque leçon AI Agents inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- Budgets de jetons par étape
- Routage des modèles (économique → coûteux)
- Mise en cache des invites et des résultats (Anthropic, Vertex)
- Quantification et décodage spéculatif