---
id: [[P-Reinforce|P-Reinforce]]-AUTO-MCOQ-001
category: Unified
confidence_score: 1.00
tags: [auto-reinforced, quantization, compression, fp8, int4, awq, gptq, gguf]
last_reinforced: 2026-05-04
---

# [[Model Compression & Quantization|Model Compression & Quantization]]

## 📌 한 줄 통찰 (The Karpathy Summary)
> "지능의 고농축: 모델의 가중치를 표현하는 숫자의 정밀도를 낮추어(FP16 -> INT4), 성능 저하는 최소화하면서도 메모리 사용량과 연산 속도를 획기적으로 개선하는 하이엔드 최적화 공법."

## 📖 구조화된 지식 (Synthesized Content)
거대 모델을 일반 하드웨어에서 구동하거나 추론 효율성을 높이기 위해 모델의 크기를 줄이는 핵심 기술입니다.

1.  **양자화 (Quantization)**:
    *   **정의**: 가중치를 표현하는 비트 수를 줄이는 과정입니다. (예: 16비트 부동소수점 $\rightarrow$ 4비트 정수)
    *   **효과**: 메모리 사용량이 약 4배 감소하며, 더 큰 모델을 더 작은 GPU에 올릴 수 있게 합니다.
2.  **주요 정밀도 포맷**:
    *   **FP8**: 최신 H100/B200 GPU에서 지원하며, 속도와 정확도의 최적 균형을 제공합니다.
    *   **INT4/INT8**: 전통적인 양자화 방식으로, 모바일이나 엣지 디바이스에서도 널리 쓰입니다.
    *   **NF4 (NormalFloat 4)**: QLoRA에서 사용되는 특수 포맷으로, 가중치 분포에 최적화된 양자화를 제공합니다.
3.  **대표 알고리즘 & 포맷**:
    *   **AWQ / GPTQ**: 추론 속도와 정확도를 모두 잡은 데이터 인식(Data-aware) 양자화 기법입니다.
    *   **GGUF / EXL2**: llama.cpp 등 CPU나 로컬 환경에서 LLM을 구동하기 위해 널리 사용되는 포맷입니다.

## ⚖️ Trade-offs & Caveats
*   **정확도 하락 (Precision Loss)**: 비트 수를 너무 과하게 줄이면 모델의 논리 전개 능력이 떨어지거나 환각이 증가할 수 있습니다. (특히 3비트 이하에서 두드러짐)
*   **하드웨어 호환성**: FP8과 같은 최신 포맷은 구형 GPU(RTX 30 시리즈 이하)에서는 가속 효과가 미미하거나 작동하지 않을 수 있습니다.

## 🔗 지식 연결 (Graph)
*   **상위 개념**: [[LLM Inference Optimization|LLM Inference Optimization]]
*   **연관 기술**: [[PEFT & LoRA|PEFT & LoRA]] (QLoRA), [[Deployment Frameworks|Deployment Frameworks]]
*   **주요 툴**: bitsandbytes, AutoAWQ, llama.cpp

---
*Last updated: 2026-05-04*