MXFP4

注意：MXFP4 量化目前仅适用于 OpenAI GPT-OSS 120b 和 20b。

MXFP4 是一种 4 位浮点格式，可大幅降低大模型的内存需求。大型模型（GPT-OSS-120B）可以装入单张 80GB 的 GPU，而较小的模型（GPT-OSS-20B）仅需 16GB 内存。它采用分块缩放（blockwise scaling）来保持数值范围和精度，因为在较低精度下，这两者通常会退化。

要使用 MXPF4，请确保您的硬件满足以下要求。

安装 Accelerate、kernels 以及 Triton ≥ 3.4。仅当使用 PyTorch 2.7 时才需要手动安装 Triton ≥ 3.4，因为 PyTorch 2.8 已原生支持。
NVIDIA GPU 计算能力 ≥ 7.5，包括 Tesla GPU 及更新型号。使用 get_device_capability 检查计算能力。

from torch import cuda
cuda.get_device_capability()

# (7, 5)

按照下图所示检查模型的量化配置，以确认其是否支持 MXFP4。如果 'quant_method': 'mxfp4'，则模型会自动使用 MXFP4。

from transformers import GptOssConfig

model_id = "openai/gpt-oss-120b"
cfg = GptOssConfig.from_pretrained(model_id)
print(cfg.quantization_config)

# Example output:
# {
#   'modules_to_not_convert': [
#     'model.layers.*.self_attn',
#     'model.layers.*.mlp.router',
#     'model.embed_tokens',
#     'lm_head'
#   ],
#   'quant_method': 'mxfp4'
# }

MXFP4 内核

Transformers 在加载需要 MXFP4 感知 Triton 内核的模型时，会自动从社区仓库拉取这些内核。这些内核会存储在本地缓存中，并在前向传播过程中使用。

如果可用且受支持，默认会使用 MXFP4 内核，并且无需对代码进行任何更改。

您可以使用 hf cache scan 来验证内核是否已下载。

hf cache scan

REPO ID                          REPO TYPE SIZE ON DISK
-------------------------------- --------- ------------
kernels-community/triton_kernels model           536.2K
openai/gpt-oss-20b               model            13.8G

资源

有关 MXFP4 量化以及分块缩放机制的详细信息，请参阅这篇博客文章。

Update on GitHub