解碼加速15倍！EdgeRazor助推大模型在PC/移動端“狂飆”

近年來，大語言模型參數的持續膨脹，帶來了極高的顯存占用和算力需求，在 PC、手機和 IoT 等資源受限的端側設備上部署前沿大模型十分困難。因此大語言模型輕量化的研究勢在必行，量化（Quantization）成為主流的輕量化方案。然而，量化端側部署目前受制于 “不可能三角”：后訓練量化（PTQ）在極低比特下精度崩塌；量化感知訓練（QAT）算力成本極高；而現有的量化感知蒸餾（QAD）又缺乏靈活性。

由南京大學機器學習與數據挖掘研究所（LAMDA）和微軟 AI 聯合推出的開源工具庫 EdgeRazor，直擊端側部署的核心痛點，一舉打破了極低比特大語言模型 “能力塌陷” 的魔咒；其核心采用混合精度量化感知蒸餾（MPQAD），不僅保障了更低成本的訓練，更支持了靈活的訓練數據配比，成功構建出一個開源、即插即用的輕量化框架。論文通訊作者為南京大學 LAMDA 團隊張紹群助理教授。

• 論文標題：EdgeRazor: A Lightweight Framework for Large Language Models via Mixed-Precision Quantization-Aware Distillation
• 論文地址：https://arxiv.org/abs/2605.04062
• GitHub 鏈接：https://github.com/zhangsq-nju/EdgeRazor
• Hugging Face 鏈接：https://huggingface.co/collections/zhangsq-nju/edgerazor-nbit
• Playground 鏈接：https://huggingface.co/spaces/zhangsq-nju/EdgeRazor-PlayGround

端側破局：兼得 SOTA 與 15 倍加速

圖 1：EdgeRazor 和基線算法在基礎型、指令微調型和多模態大模型上的性能表現

全面評測，性能領跑：EdgeRazor 在基礎型（MobileLLM-350M）、指令微調型（Qwen3-0.6B/1.7B）和多模態（Qwen2.5-Omni-7B）大模型上開展了系統的性能評測。評測范圍包括常識推理、指令遵循、數學推理、代碼生成以及視頻理解類型的 16 個下游任務。如圖 1 所示，面對當前主流 PTQ、QAT 及 QAD 方法，EdgeRazor 在各類模型架構和比特位寬下均保持性能的領先，確立了全新的 SOTA 性能基準。

圖 2：Qwen3-1.7B-EdgeRazor 在 PC 端和手機端部署效果演示

端側部署，絲滑落地：為了展示真實受限資源下的工程落地，EdgeRazor 提供了適配于端側部署的 DEMO。如圖 2 所示，在 PC 端和手機端的 CPU 部署場景下，EdgeRazor 釋放出極高的推理潛能。相較于 16-bit 基座模型，其解碼速度分別實現了 16× 和 12× 的飛躍，整體端到端響應速度也獲得了 10× 和 11× 的大幅提升，真正賦予了本地輕量化模型絲滑、“秒回” 的體驗。

圖 3：EdgeRazor 和基線算法在 Qwen3-0.6B 模型上 2-bit 量化尺度的性能表現

打破魔咒，拒絕塌陷：在極低比特位寬下，量化模型的復雜推理能力往往最先遭遇災難性衰退，但 EdgeRazor 打破了這一魔咒。如圖 3 所示，在 GSM8K（數學推理）和 HumanEval（代碼生成）復雜任務上，現有主流 2-bit 方法普遍出現性能的斷崖式下跌，甚至面臨徹底失效的困境。相比之下，EdgeRazor 即使在 1.88-bit 這種極低比特預算下，依然展現出較好的穩健性，其任務表現顯著優于同類 2-bit 方法。

圖 4：EdgeRazor 和 ParetoQ 在 MobileLLM-350M 模型上的性能表現和訓練開銷

十倍輕訓，降本增效：高質量的低比特模型往往依賴龐大的訓練開銷，而 EdgeRazor 徹底打破了這一現狀。如圖 4 所示，在 MobileLLM-350M 上，EdgeRazor 不僅在全比特位寬下超越了性能最強的 QAT 基線 ParetoQ，更在訓練效率上實現了大幅優化。其訓練所需的 tokens 數量縮減了 75%–90%（最低僅需 3.1B，而基線高達 30B）。

圖 5：EdgeRazor 和基線算法在 Qwen3-0.6B 模型下的量化比例和壓縮比

全員量化，刷新極限：傳統的量化方法往往因規避精度崩潰而對嵌入層和語言模型頭 “手下留情”。如圖 5 所示，這導致模型整體的真實量化參數覆蓋率僅 73.89%，然而 EdgeRazor 突破了這一妥協，實現了 99.99% 的極高量化參數覆蓋率，并且在 1.58-bit 極低比特下達到了突破性的 7.03× 壓縮比，遠超傳統方法 2.94× 的瓶頸。

圖 6：EdgeRazor 在 llama.cpp 推理框架上測試 Qwen3-0.6B 的效率表現

EdgeRazor 選取 Qwen3-0.6B 為基座模型，依托開源推理框架 llama.cpp，在純 CPU 算力環境下（Apple M4 Pro）進行推理效率評測。

• 百兆體積，輕量部署：如圖 6 所示，相較于 16-bit 基座模型，1.58-bit EdgeRazor 量化模型將磁盤占用壓縮至 1/5.8（僅約 190MB），峰值運行內存降至 1/2.9。百兆級別的輕量資源占用，掃清了大模型向智能手機、IoT 等內存受限設備遷移的物理障礙。
• 十五倍速，解碼狂飆：如圖 6 所示，1.58-bit EdgeRazor 量化模型的預填充吞吐量不僅達到了基座模型的 2.11×，在對用戶體驗起決定性作用的自回歸解碼環境，速度更是實現了 15.16× 的爆炸級提升。這標志著端側大模型邁入 “秒回” 級別的全新階段。

即插即用：一鍵訓練輕量化大模型

圖 7：EdgeRazor 用于輕量化模型訓練的流程圖

EdgeRazor 不僅在性能與效率上追求極致，在工程易用性上也同樣力求開發者友好。如圖 7 所示，EdgeRazor 被設計為一個高度模塊化的開源工具庫。開發者無需精通底層的復雜量化感知蒸餾邏輯，通過統一的配置文件（配置量化比例、目標比特數和蒸餾損失等內容），將龐大的 16-bit 模型訓練為 1.58-bit 輕量化模型。其核心使用優勢包括：

• 代碼解耦，即插即用：零侵入式設計。只需寥寥數行代碼配置，EdgeRazor 就能無縫并入開發者現有的全精度大模型訓練流水線，完全不需要重構底層的訓練代碼。
• 極簡配置，一鍵啟動：EdgeRazor 通過三個輸入（16-bit 模型、自由配比的數據和配置文件），即可輸出各種低比特模型（例如，1.58-bit 模型）。
• 混合數據，配比自由：相比于傳統的 QAD 方法只支持蒸餾 16-bit 模型的數據進行訓練，EdgeRazor 還支持人類標注數據和高質量模型合成數據，訓練數據配比自由。
• 繁雜底層，自動接管：框架內部接管了繁雜的底層操作。從加載各種格式的配置，利用量化選擇器為特定層注入量化實現（QAT 模塊），到同步計算各種蒸餾損失（KD 模塊），全流程自動化閉環。
• 算力降維，單機可訓：告別傳統 QAT 方法對龐大算力的依賴（例如，ParetoQ 使用了 16 張顯卡，消耗了 30B tokens）。EdgeRazor 在常規單機多卡環境下即可完成訓練（相同模型只使用了 8 張顯卡，消耗了 3.1B tokens）。

核心架構：三大模塊攻克極低比特

圖 8：EdgeRazor 框架的核心模塊

開發者友好的易用性背后，是核心算法的支撐。如圖 8 所示，EdgeRazor 采用混合精度量化感知蒸餾范式來壓縮各類型的大模型，其核心創新主要由以下三個模塊構成：

• 混合精度的結構量化（Structural Quantization with Mixed Precision, SQMP）：打破傳統量化統一位寬的設定。SQMP 支持將 4-bit 和 1.58-bit 在輸入通道維度進行細粒度的靈活混合（例如實現 1.88-bit 或 2.79-bit 的平均位寬）。這不僅能精準契合實際硬件的資源預算，交錯的 4-bit 高精度行還能作為 “緩沖區”，有效吸收激活異常值帶來的量化誤差。
• 層自適應的特征蒸餾（Layer-Adaptive Feature Distillation, LAFD）：告別盲目的人工調參。LAFD 通過計算教師模型相鄰層的余弦相似度（表征結構變換程度），自適應地找出對特征轉換最關鍵的 Top-k 層進行重點特征蒸餾。從而將 “好鋼用在刀刃上”，不僅避免了盲目依賴人工經驗去啟發地選擇蒸餾層，還有效阻止了量化誤差在層間的放大。
• 熵感知的 KL 散度（Entropy-Aware KL Divergence, EAKLD）：擺脫了對教師模型生成數據的強依賴。EAKLD 純粹依靠教師模型輸出分布的熵來動態調節前向 KL 散度與反向 KL 散度的比例。這使得 EdgeRazor 能夠完美兼容人工標注數據和高質量模型合成數據，實現了訓練數據的配比自由。

總結

回歸到輕量化的初衷，EdgeRazor 想解決的并不是單純的 “跑個分”，而是一個更底層且務實的問題：如何通過一套統一的算法框架，讓各種架構、各種參數規模的大模型低成本地轉化為在資源受限環境（例如，手機和 PC 等端側設備）下可部署的低比特輕量化版本。其實現的開源工具庫打通了 “低成本量化”、“輕量化訓練” 與 “極低成本部署” 的 AI 全生態鏈路，為個人 AI 助理的普惠化與私密化提供有力的解決方案。