IT之家 4 月 18 日消息，科技媒體 WinBuzzer 昨日（4 月 17 日）發(fā)布博文，報道稱微軟研究團隊推出了一款開源大型語言模型 BitNet b1.58 2B4T，區(qū)別于傳統(tǒng)訓(xùn)練后量化的方式，這款擁有 20 億參數(shù)的大型語言模型（LLM）以 1.58 位低精度架構(gòu)原生訓(xùn)練而成。
IT之家援引技術(shù)報告介紹，該模型性能直追同規(guī)模全精度模型，但計算資源需求大幅縮減。尤其令人矚目的是，其非嵌入內(nèi)存占用僅 0.4GB，遠低于競品 Gemma-3 1B 的 1.4GB 和 MiniCPM 2B 的 4.8GB。
BitNet 的高效秘訣在于其創(chuàng)新架構(gòu)。模型摒棄傳統(tǒng) 16 位數(shù)值，采用定制 BitLinear 層，將權(quán)重限制為-1、0、+1 三種狀態(tài)，形成三值系統(tǒng)，每權(quán)重僅需約 1.58 位信息存儲。
此外，層間激活值以 8 位整數(shù)量化，形成 W1.58A8 配置。微軟還調(diào)整了 Transformer 架構(gòu)，引入平方 ReLU 激活函數(shù)、標準旋轉(zhuǎn)位置嵌入（RoPE）以及 subln 歸一化，確保低位訓(xùn)練穩(wěn)定性。技術(shù)報告稱，這種原生 1 位訓(xùn)練避免了傳統(tǒng)后訓(xùn)練量化（PTQ）帶來的性能損失。
BitNet b1.58 2B4T 的開發(fā)歷經(jīng)三階段：首先基于 4 萬億 token 的網(wǎng)絡(luò)數(shù)據(jù)、代碼和合成數(shù)學(xué)數(shù)據(jù)集進行預(yù)訓(xùn)練；隨后通過公開及合成指令數(shù)據(jù)集（如 WizardLM Evol-Instruct）進行監(jiān)督微調(diào)（SFT）；最后采用直接偏好優(yōu)化（DPO）方法，利用 UltraFeedback 等數(shù)據(jù)集提升對話能力和安全性。
微軟測試顯示，該模型在 GSM8K（數(shù)學(xué)）、PIQA（物理常識）等基準測試中表現(xiàn)優(yōu)異，整體性能媲美主流 1B-2B 參數(shù)全精度模型，同時在能耗（每 token 0.028 焦耳）和 CPU 解碼延遲（29 毫秒）上占據(jù)顯著優(yōu)勢。
盡管 BitNet 潛力巨大，但其高效性需依賴微軟提供的專用 C++ 框架 bitnet.cpp 實現(xiàn)。標準工具如 Hugging Face transformers 庫無法展現(xiàn)其速度與能耗優(yōu)勢。
微軟還計劃優(yōu)化 GPU 和 NPU 支持，延長上下文窗口至 4096 token，并探索更大規(guī)模模型、多語言功能及硬件協(xié)同設(shè)計。目前，BitNet b1.58 2B4T 已以 MIT 許可證在 Hugging Face 發(fā)布，供社區(qū)測試與應(yīng)用。
參考
廣告聲明：文內(nèi)含有的對外跳轉(zhuǎn)鏈接（包括不限于超鏈接、二維碼、口令等形式），用于傳遞更多信息，節(jié)省甄選時間，結(jié)果僅供參考，IT之家所有文章均包含本聲明。