XQuant reduziert Speicherbedarf bei LLM-Infereenzen um bis zu 10‑fach
Die neueste Veröffentlichung auf arXiv (2508.10395v1) stellt XQuant vor – ein innovatives Verfahren, das die Speicherlast bei der Inferenz großer Sprachmodelle drastisch senkt. Durch die Quantisierung der Eingabeaktivierungen (X) anstelle der klassischen KV‑Cache‑Methode werden die Schlüssel und Werte während der Ausführung neu berechnet. Das spart sofort 2‑fach weniger Speicher als bei herkömmlichem KV‑Caching.
Im Vergleich zum FP16‑Baseline erreicht XQuant bis zu 7,7‑fachen Speichereinsparungen, während die Perplexität weniger als 0,1 Punkte abnimmt. Ein zusätzlicher Ansatz, XQuant‑CL, nutzt die Ähnlichkeit der X‑Embeddings über die Schichten hinweg und ermöglicht damit extreme Kompression. Hier werden bis zu 10‑fach weniger Speicher benötigt, mit lediglich 0,01‑Punkt‑Verlust in der Perplexität.
Der Ansatz spielt auf die aktuelle Entwicklung an, bei der Rechenleistung GPUs weit über die Speicherkapazität und -bandbreite hinausgeht. XQuant nutzt diese Diskrepanz, indem es mehr Rechenaufwand in Kauf nimmt, um Speicherzugriffe zu reduzieren – ein entscheidender Schritt, um die Nutzung großer Sprachmodelle in ressourcenbeschränkten Umgebungen praktikabler zu machen.