DeepSeek-V4-Flash-0731-W4A16

INT4 (W4A16) 量化版本的 DeepSeek-V4-Flash-0731 (283B params)。 将原始 FP4 experts + FP8 attention 混合精度模型转换为 vLLM 原生的 compressed-tensors 混合精度格式,可在 无 FP4 硬件支持 的 NVIDIA GPU(A100 / L40S / L20 / RTX 4090 等)上推理。

本仓库与原始 deepseek-ai/DeepSeek-V4-Flash-0731 模型出自同一权重,仅做格式与精度转换,未做任何微调或蒸馏。

---

为什么需要这个量化版本?

原始 DeepSeek-V4-Flash-0731 采用混合精度:

• 256 个 routed experts:FP4 (e2m1fn_x2 打包为 int8,配 e8m0 per-block scale)
• Attention (MLA) / shared experts / indexer:FP8 (e4m3,配 e8m0 per-block scale)

FP4 是 NVIDIA Blackwell 架构原生格式。A100 / H100 / H20 等非 Blackwell GPU 不支持 FP4 tensor core,无法直接运行原始权重。

本量化版本将 experts 从 FP4 转为 INT4 (group_size=32),保留 attention 为 FP8,使其能在 Hopper / Ampere 架构上通过 vLLM 加载推理。

硬件	原始模型	本 W4A16 版本
Blackwell (B200)	✅ 原生	✅
Hopper (H20/H100)	⚠️ FP8 部分 OK,experts 退化	✅ 推荐
Ampere (A100/L40S)	❌ 不支持	⚠️ 需 vLLM 小补丁(见下文)

---

量化方案 (Quantization Scheme)

本模型采用 compressed-tensors 的 mixed-precision 格式,包含两个 config_group:

group_0 — Attention (FP8 W8A8,保持原始精度)

项	值
targets	re:.*attn\.(wq_a|wq_b|wkv|wo_a|wo_b|fused_wqa_wkv)$
weights	FP8 e4m3,block 结构 [128,128],symmetric
input_activations	FP8 dynamic,group_size=128,symmetric
说明	直接保留原始模型的 FP8 权重和 scale,未做重采样

group_1 — Routed Experts (INT4 W4A16,FP4 转换)

项	值
targets	re:.*experts\.\d+\.(w1|w2|w3|gate_proj|up_proj|down_proj|gate_up_proj)$
weights	INT4,group_size=32,symmetric,BF16 scale
input_activations	无(W4A16:激活在 BF16 计算)
说明	由原始 FP4 权重经最优 scale 网格搜索转换而来(见下文)

其余部分保持 BF16(不量化)

lm_head、embed_tokens、所有 norm、router gate、shared_experts、compressor、indexer.weights_proj、hyper-connection 参数等保持 BF16(与原始非 FP4 部分一致)。

---

FP4 → INT4 转换算法(无损性分析)

这是本仓库的核心技术点。原始 experts 的 FP4 权重并非直接 round 到 INT4,而是经过两步:

第 1 步:FP4 反量化到 BF16 高精度参考

原始 FP4 (e2m1fn_x2) 每个元素是 4 bit 索引,通过查找表还原:

FP4_TABLE = [0, 0.5, 1, 1.5, 2, 3, 4, 6,
             0, -0.5, -1, -1.5, -2, -3, -4, -6]
# code (4bit) → FP4_TABLE[code] × scale(e8m0) = 真实权重值

由于 FP4 每个权重值已是离散点,反量化到 BF16 是精确无损的(只是把离散值用 BF16 表示)。

第 2 步:BF16 → INT4,用 scale 网格搜索最小化 MSE

INT4 量化采用 group_size=32(与 FP4 的 [128,128] block 对齐,32 是 FP4 一个 e8m0 scale 覆盖 128 元素时的细分子组),对称量化:

# 对每个 group, 搜索最优的 round-rate r
for r in [6/7, 0.9, 0.95, 1.0, 1.05, 1.1]:
    scale = amax(group) * r / 7
    q = clamp(round(w / scale), -8, 7)
    mse = mean((w - q*scale)²)
    # 保留 MSE 最小的 (q, scale)

普通 INT4 量化固定用 r = 1.0(scale = amax/7)。本转换额外搜索 6 个 r 候选,对每个 group 选取 MSE 最小的组合,显著降低量化误差。

理论无损性论证

来源	误差	是否可消除
FP4 → BF16 反量化	0(精确)	—
BF16 → INT4 量化误差	非零	❌ 不可避免(信息论下界)

严格意义上,FP4 → INT4 不是数学无损的,因为 INT4 的 16 个量化电平与 FP4 的 16 个电平分布不同:

• FP4 电平(归一化后):{0, ±0.5, ±1, ±1.5, ±2, ±3, ±4, ±6} —— 非均匀,覆盖大动态范围
• INT4 电平(归一化后):{0, ±1, ±2, ±3, ±4, ±5, ±6, ±7} × scale/7 —— 均匀

但通过最优 scale 搜索 + group_size=32 细粒度,实际量化误差被压到极低。实测信噪比(SNR):

SNR(FP4 → INT4, group_size=32) ≈ 25.8 dB

这对应约 0.26% 的相对均方误差(RMSE ≈ 5.1% 相对幅度),在 LLM 推理中通常对最终输出无可感知影响(见下方实测结果)。

为什么 group_size=32?

• 原始 FP4 每个 e8m0 scale 覆盖 128 个连续权重(block_size=[128,128] 的行方向)
• INT4 用更小的 group(32)→ 每个 group 独立算 scale,动态范围更紧 → MSE 更低
• 32 同时是 128 的约数,与 FP4 block 结构天然对齐
• 更小的 group(如 16)误差更低,但 scale 存储开销增大,32 是质量/体积平衡点

---

实测质量与性能(2×H20 96GB)

质量(50 题简化评测,greedy decoding)

类别	原始 FP4+FP8	本 W4A16	差异
数学 (10题)	100%	100%	0
代码 (10题)	100%	100%	0
常识 (10题)	100%	100%	0
逻辑 (10题)	100%	100%	0
指令遵循 (10题)	100%	100%	0
总计 (50题)	100%	100%	0

两个模型答错/答对的题完全相同,包括同一个 Unicode 下标表达的边缘 case。在 50 题评测集上 INT4 量化零质量损失。

注:50 题评测集偏简单,主要验证"没把模型搞坏"。如需更高置信度,建议跑 GSM8K / MMLU。

DSpark 投机解码接受率(num_speculative_tokens=7)

指标	原始 FP4+FP8	本 W4A16
整体 token 接受率	38.1%	41.7% (+3.6pp)
每步平均接受 token	2.67	2.92
pos0(首个 spec)接受率	72.3%	72.7%

接受率不降反升,因为 DSpark 的 draft 与 main 用同一套权重,接受率取决于两者一致性而非绝对精度。

推理速度(DSpark ON)

配置	原始 FP4+FP8	本 W4A16
2×H20	21.7 tok/s	21.4 tok/s

H20 原生支持 FP4,INT4 在 Hopper 上无速度优势;A100 上情况反转(原始 FP4 跑不了,只有 W4A16 能跑)。

---

模型文件结构

DeepSeek-V4-Flash-0731-W4A16/
├── config.json                          # 含 quantization_config (mixed-precision)
├── generation_config.json
├── model-00001-of-00034.safetensors     # 34 个分片, 约 166GB
├── ...
├── model-00034-of-00034.safetensors
├── model.safetensors.index.json
├── encoding/                           # 官方 chat prompt 编码模块
│   ├── encoding_dsv4.py
│   └── README.md
└── README.md

总大小:~166 GB(原始 156 GB,略大因 shared/compressor/indexer 从 FP8 升级到 BF16)。

---

如何使用(vLLM)

环境要求

• vLLM ≥ 0.26.0
• torch ≥ 2.11(建议 cu130 build)
• 至少 2×H20 96GB 或 4×A100 80GB(TP=2 / TP=4)

Prompt 编码(重要)

DeepSeek-V4-Flash 使用非标准的 chat template,不能用 apply_chat_template。本仓库附带官方的 encoding/ 目录,使用方法:

import sys
sys.path.insert(0, "encoding")
from encoding_dsv4 import encode_messages

prompt = encode_messages(
    [{"role": "user", "content": "你好"}],
    thinking_mode="chat",        # 或 "thinking"
    reasoning_effort="low",      # low / high / max
)
# prompt 是已编码的字符串, 直接喂给 llm.generate([prompt], ...)

H20 / H100(推荐,开箱即用)

from vllm import LLM, SamplingParams

llm = LLM(
    model="your-username/DeepSeek-V4-Flash-0731-W4A16",
    tensor_parallel_size=2,
    dtype="bfloat16",
    kv_cache_dtype="fp8",          # 必须,DSpark MLA 要求
    gpu_memory_utilization=0.95,
    trust_remote_code=True,
    max_model_len=4096,
    # 可选: DSpark 投机解码
    speculative_config={
        "method": "dspark",
        "num_speculative_tokens": 7,
        "draft_sample_method": "greedy",
    },
)

A100 / L40S / 其他 Ampere(需 vLLM 小补丁)

Ampere 架构不支持 FP8 tensor core。本模型的 attention 仍是 FP8,vLLM 的 deep_gemm_fp8_o_proj 在 A100 上会失败。需要给 vLLM 打一个小补丁,把 o_proj 的 FP8 einsum 换成 BF16 fallback 路径。

补丁位置:vllm/models/deepseek_v4/nvidia/ops/o_proj.py

# 原始(仅 FP8):
(wo_a.weight, wo_a.weight_scale_inv)

# 补丁后(自动 fallback):
_ws_inv = getattr(wo_a, 'weight_scale_inv', None)
_wo_scale = _ws_inv if _ws_inv is not None else wo_a.weight_scale
(wo_a.weight, _wo_scale)

注:在 H20 上也建议打此补丁(用 is not None 判断,对原生 FP8 模型行为无影响,但能让 compressed-tensors 格式的 FP8 attention 正常工作)。

完整的 A100 支持需要进一步把 attention 从 FP8 改为 BF16/INT16,这是后续工作。

命令行启动(vLLM OpenAI server)

python -m vllm.entrypoints.openai.api_server \
    --model your-username/DeepSeek-V4-Flash-0731-W4A16 \
    --tensor-parallel-size 2 \
    --dtype bfloat16 \
    --kv-cache-dtype fp8 \
    --trust-remote-code \
    --max-model-len 4096 \
    --gpu-memory-utilization 0.95

---

复现量化(Conversion Script)

转换脚本见 convert_v4.py(本仓库未附,核心逻辑如下,约 150 行):

import torch, re
from safetensors import safe_open

FP4_TABLE = torch.tensor([0,0.5,1,1.5,2,3,4,6,0,-0.5,-1,-1.5,-2,-3,-4,-6])
GROUP = 32

def dequant_fp4(w_fp4, scale_e8m0):
    """FP4 e2m1fn_x2 → BF16, 无损"""
    codes = w_fp4.view(torch.uint8)  # 2个FP4 packed in 1 uint8
    hi = codes >> 4; lo = codes & 0xF
    vals = torch.stack([FP4_TABLE[hi], FP4_TABLE[lo]], -1).flatten()
    return (vals.reshape(*w_fp4.shape[:-1], -1) * scale_e8m0).to(torch.bfloat16)

def quant_int4(w_bf16, gs=GROUP):
    """BF16 → INT4, 网格搜索最优 scale"""
    out, in_ = w_bf16.shape; ng = in_ // gs
    w = w_bf16.float().reshape(out, ng, gs)
    amax = w.abs().amax(-1, keepdim=True).clamp(1e-8)
    best = None
    for r in [6/7, 0.9, 0.95, 1.0, 1.05, 1.1]:   # 6个候选
        s = amax * r / 7
        q = torch.clamp(torch.round(w / s), -8, 7)
        mse = ((w - q * s) ** 2).mean(-1, keepdim=True)
        # 保留每个 group MSE 最小的
        ...
    # pack 8×int4 → 1×int32
    ...
    return packed_int32, scale_bf16, shape

完整流程:

1. 加载原始 48 个分片
2. 对每个 expert weight:FP4 → BF16 (无损) → INT4 g32 (网格搜索)
3. Attention FP8 权重原样保留(只把 .scale 重命名为 compressed-tensors 期望的 .weight_scale)
4. shared_experts / compressor / indexer:FP8 → BF16 反量化(vLLM 对这些模块不匹配 FP8 target)
5. 重新分片为 34 个 ~5GB 的 safetensors,写入 config.json 的 quantization_config

---

致谢

• 原始模型:deepseek-ai/DeepSeek-V4-Flash-0731
• 参考 canada-quant/DeepSeek-V4-Flash-W4A16-FP8-MTP 的 mixed-precision 配置结构
• 量化框架:compressed-tensors
• 推理引擎:vLLM

License

同原始模型,详见 DeepSeek License。