BitNet.cpp：微软让百亿参数大语言模型在你的笔记本CPU上飞奔

BitNet.cpp 是一款微软开源的、针对 1 比特大语言模型 (LLM) 的高性能推理框架，可在 CPU 上实现快速且无损的推理。它通过优化的内核，如 I2_S、TL1 和 TL2，在 x86 和 ARM 架构上显著提升了推理速度和能耗效率，为在本地设备上部署大型语言模型提供了新的可能，让百亿参数的大语言模型在你的笔记本电脑上也能流畅运行。

迈向高效的大语言模型时代

近年来，大型语言模型（LLM）如 ChatGPT 的横空出世，彻底改变了自然语言处理领域，展现出强大的语言理解和生成能力，推动了人机交互方式的变革。然而，LLM 通常需要庞大的计算资源和存储空间，这限制了其在个人电脑、手机等资源受限设备上的部署和应用。为了解决这一问题，研究人员开始探索模型量化技术，通过降低模型权重的精度来压缩模型规模和计算开销，其中，1 比特量化技术将模型权重压缩到极致，每个权重仅用 1 个比特表示，极大地降低了模型的存储和计算成本，为LLM的普及化应用带来了新的希望。

BitNet.cpp：1 比特大语言模型的推理利器

BitNet.cpp是由微软研究院开发的一款针对 1 比特大语言模型（如 BitNet 和 BitNet b1.58）的推理框架。它提供了一套优化的内核，支持在 CPU 上进行快速且无损的 1 比特模型推理，让每个人都能在自己的设备上体验LLM的强大能力。

核心优势：速度、能耗与精度兼得

BitNet.cpp 的核心优势在于它能够在显著提升推理速度、大幅降低能耗的同时，确保推理精度不受影响，实现了性能、效率和质量的完美平衡。

显著提升推理速度

BitNet.cpp 在 x86 和 ARM 架构上均实现了显著的推理速度提升。在 x86 CPU 上，它实现了 2.37 倍至 6.17 倍的加速；在 ARM CPU 上，它实现了 1.37 倍至 5.07 倍的加速。模型规模越大，性能提升越显著。 例如，BitNet.cpp 可以在单个 CPU 上运行 1000 亿参数的 BitNet b1.58 模型，速度可达人类阅读速度（每秒 5-7 个 token），这意味着你可以在没有GPU加速的情况下，也能流畅地与百亿参数的大语言模型进行交互。

图1：Apple M2 芯片上不同规模 BitNet b1.58 模型的推理速度对比（bitnet.cpp vs. llama.cpp）

图2：Intel i7-13700H 芯片上不同规模 BitNet b1.58 模型的推理速度对比（bitnet.cpp vs. llama.cpp）

大幅降低能耗

BitNet.cpp 的低精度计算特性使其能够显著降低模型的能耗，这对于移动设备等功耗敏感的场景尤为重要。在 Apple M2 上，BitNet.cpp 的能耗降低了 55.4% 至 70.0%；在 Intel i7-13700H 上，能耗节省更为显著，范围为 71.9% 至 82.2%。 这意味着，使用BitNet.cpp，你可以在更长时间内使用你的笔记本电脑或手机运行LLM，而不用担心电池电量过快耗尽。

确保推理精度

BitNet.cpp 采用了创新的量化和推理技术，例如三进制 BitNet b1.58，在将模型权重压缩到 1 比特的同时，实现了无损推理，即推理结果与全精度模型完全一致。 这意味着，你可以在享受 BitNet.cpp带来的速度和效率提升的同时，无需担心模型精度下降带来的负面影响。

技术揭秘：优化内核

BitNet.cpp 提供了一套优化的内核，包括 I2_S、TL1 和 TL2，以支持在 x86 和 ARM 架构上对 1.58 比特模型进行快速、无损的推理。

I2_S 内核

I2_S 内核的思路是将原本需要更高精度存储的模型权重，压缩成更小的 2 比特存储，从而节省存储空间和读取时间。

可以把它想象成一个高效的压缩算法：在模型存储时，它将每个权重值转换成对应的 2 比特代码；在推理计算时，它再将这些 2 比特代码还原成原本的权重值进行计算。虽然多了压缩和解压缩的步骤，但由于 2 比特存储相比更高精度存储节省了大量的空间和读取时间，最终反而提升了整体推理速度。

TL1 内核

TL1 内核则更进一步，它利用了一种叫做“查找表”（Lookup Table，简称LUT）的技术来加速计算。

假设我们要计算两个数的乘积，传统方法是直接进行乘法运算。但 TL1 内核的做法是，预先计算好所有可能的两个数的乘积，并将结果存储在一个表格里。在推理计算时，只需要根据这两个数的值去查表找到对应的结果即可，无需再进行乘法运算。

TL1 内核将每两个权重值组合在一起，生成一个 4 比特的索引，这个索引对应着查找表中的一个位置，该位置存储了这两个权重与对应激活值相乘后的结果。通过查表的方式，TL1 内核避免了大量的乘法运算，从而大幅提升了推理速度。

TL2 内核

TL2 内核与 TL1 内核的原理类似，也采用了查找表技术，但它更加极致，将每三个权重压缩成一个 5 比特的索引（1比特符号位 + 4比特索引位）。

这种方式进一步提高了压缩率，减少了存储空间和读取时间，但也增加了查找表的复杂度。TL2 内核更适用于内存带宽受限的场景，因为它能最大程度地减少数据读取量。

性能评测：速度与能耗的双重提升

为了评估 BitNet.cpp 的性能，研究人员在不同规模的模型（从 1.25 亿到 1000 亿参数）和不同架构的 CPU（ARM 和 x86）上进行了测试，涵盖了从小型到超大型的各种LLM模型，以及常见的CPU架构。

推理速度对比

测试结果表明，BitNet.cpp 在 ARM 和 x86 架构上均实现了显著的推理速度提升，尤其是在模型规模较大的情况下。 图1和图2展示了 BitNet.cpp 和 llama.cpp 在 Apple M2 和 Intel i7-13700H 芯片上运行不同规模 BitNet b1.58 模型的推理速度对比。可以看出，BitNet.cpp 的推理速度 consistently surpasses llama.cpp，尤其是在处理大型模型时，优势更加明显。

能耗对比

测试结果表明，BitNet.cpp 在降低能耗方面表现出色，尤其是在模型规模较大的情况下。 下表展示了 BitNet.cpp 和 llama.cpp 在 Apple M2 和 Intel i7-13700H 芯片上运行 7 亿、70 亿和 700 亿参数模型的能耗对比。可以看出，BitNet.cpp 的能耗 significantly lower than llama.cpp，尤其是在运行大型模型时，能耗优势更加突出。

表1：不同规模 BitNet b1.58 模型在不同 CPU 上的能耗对比（bitnet.cpp vs. llama.cpp）

推理精度验证

为了验证 BitNet.cpp 的推理精度，研究人员随机选择了 1000 个提示，并将 BitNet.cpp 和 llama.cpp 生成的输出与 FP32 内核的输出进行了比较，以确保BitNet.cpp在加速和降低能耗的同时，不会牺牲模型的推理质量。结果表明，BitNet.cpp 实现了无损推理，其输出与 FP32 内核的输出完全一致，这证明了 BitNet.cpp 在保证推理速度和能耗效率的同时，也能保持模型的推理精度。

未来展望：拓展平台，优化训练，探索协同设计

BitNet.cpp 团队计划将 BitNet.cpp 扩展到更多平台和设备，包括移动设备、NPU 和 GPU，让更多用户能够在不同设备上体验 1 比特 LLM 的优势。未来还将进行 1 比特 LLM 训练优化，探索更高效的训练方法，并探索 1 比特 LLM 定制硬件和软件栈的协同设计，进一步提升 1 比特 LLM 的性能和效率。