BitNet b1.58 2B4T - 原生1位大语言模型的扩展

本仓库包含BitNet b1.58 2B4T的权重，这是由微软研究院开发的首个开源、原生1位、参数量达20亿级别的大语言模型（LLM）。

该模型在4万亿 tokens 的语料上进行训练，证明了原生1位LLM能够达到与同等规模的领先开源全精度模型相当的性能，同时在计算效率（内存、能耗、延迟）方面具有显著优势。

➡️ 技术报告： BitNet b1.58 2B4T 技术报告

➡️ 官方推理代码： microsoft/BitNet (bitnet.cpp)

模型变体

Hugging Face 上提供了多个版本的模型权重：

• microsoft/bitnet-b1.58-2B-4T：包含经过打包的1.58位权重，针对高效推理进行了优化。部署时使用此版本。

• microsoft/bitnet-b1.58-2B-4T-bf16（本仓库）：包含 BF16 格式的主权重。仅在训练或微调时使用此版本。

• microsoft/bitnet-b1.58-2B-4T-gguf：包含 GGUF 格式的模型权重，与 bitnet.cpp 库兼容，适用于 CPU 推理。

模型详情

• 架构： 基于 Transformer，使用 BitLinear 层进行了改进（BitNet 框架）。
  • 使用 Rotary Position Embeddings (RoPE) 旋转位置嵌入。
  • 在 FFN 层中使用平方 ReLU（ReLU²）激活函数。
  • 采用 subln 归一化。
  • 线性层和归一化层中无偏置项。
• 量化： 原生1.58位权重和8位激活值（W1.58A8）。
  • 权重在前向传播过程中使用绝对均值量化（absmean quantization）量化为三元值 {-1, 0, +1}。
  • 激活值使用绝对最大值量化（absmax quantization，每 token）量化为8位整数。
  • 关键是，该模型是使用此量化方案从头开始训练的，而非训练后量化。
• 参数： ~20亿
• 训练 Tokens： 4万亿
• 上下文长度： 最大序列长度为4096 tokens。
  • 建议： 对于需要超长上下文的任务（超出预训练长度或用于专门的长推理任务），建议在最终微调阶段之前进行中间的长序列适配/训练。
• 训练阶段：
  1. 预训练： 使用两阶段学习率和权重衰减策略，在大规模公开文本/代码和合成数学数据上进行训练。
  2. 监督微调（SFT）： 使用求和损失聚合和特定超参数调优，在指令遵循和对话数据集上进行微调。
  3. 直接偏好优化（DPO）： 使用偏好对与人类偏好对齐。
• 分词器： LLaMA 3 Tokenizer（词汇表大小：128,256）。

如何使用（借助transformers）

关于效率的重要提示

请注意，即使使用所需的分支版本，在标准transformers库中使用此模型时，也不要期望获得性能效率方面的提升（如速度、延迟或能耗）。

transformers当前的执行路径不包含利用BitNet架构优势所需的专门、高度优化的计算核心。通过transformers运行模型时，无论是在CPU还是GPU上，推理速度和能耗都可能与该框架内标准全精度模型相当，甚至可能更差。

虽然您可能会观察到由于权重量化而减少的内存使用，但主要的计算效率优势无法通过这种标准的transformers使用路径获得。

要实现技术论文中展示的效率优势，您必须使用专用的C++实现：bitnet.cpp。

要求

pip install git+https://github.com/shumingma/transformers.git

我们正积极与 Hugging Face 团队合作，将必要代码整合到 transformers 主库中。此安装方法未来可能会发生变化。

示例

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "microsoft/bitnet-b1.58-2B-4T"

# Load tokenizer and model
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    torch_dtype=torch.bfloat16
)

# Apply the chat template
messages = [
    {"role": "system", "content": "You are a helpful AI assistant."},
    {"role": "user", "content": "How are you?"},
]
chat_input = tokenizer.apply_chat_template(messages, tokenize=True, add_generation_prompt=True, return_tensors="pt").to(model.device)

# Generate response
chat_outputs = model.generate(chat_input, max_new_tokens=50)
response = tokenizer.decode(chat_outputs[0][chat_input.shape[-1]:], skip_special_tokens=True) # Decode only the response part
print("\nAssistant Response:", response)

如何使用（配合 bitnet.cpp）

有关详细的编译步骤、使用示例和命令行选项，请参考 bitnet.cpp GitHub 仓库。

评估

BitNet b1.58 2B4T 已与同等规模的主流开源全精度大语言模型进行了对比评估。以下是主要结果（所有模型均为指令微调版本）：

*LLaMA 3.2 1B 采用了剪枝和蒸馏技术。

**Gemma-3 1B 采用了蒸馏技术。

许可协议

模型权重和代码根据 MIT 许可协议 发布。

免责声明

本模型仅供研究和开发使用。尽管已通过 SFT 和 DPO 对其进行了对齐优化，但仍可能产生意外、有偏见或不准确的输出。请负责任地使用。