AIPress.com.cn报道

2月10日消息，腾讯混元宣布推出面向消费级硬件场景的“极小”端侧模型 HY-1.8B-2Bit。该模型基于1.8B参数规模，通过产业级2Bit量化技术实现等效约0.3B参数规模，实际存储占用约600MB，显著降低了端侧大模型部署门槛。

打开网易新闻 查看精彩图片

据介绍，HY-1.8B-2Bit 基于混元团队自研的产业级2Bit量化方案，通过对 HY-1.8B-Instruct 模型进行2比特量化感知训练（QAT）获得。相较原始精度模型，量化后模型体积缩小至约1/6，在真实端侧设备上的生成速度提升约2—3倍，同时保留了原模型的思维链能力，可根据任务复杂度输出不同深度的推理过程。这被视为业界首个实现产业级2Bit量化落地的端侧模型实践。

在端侧部署需求不断增长的背景下，如何在有限硬件资源内兼顾模型能力、推理速度与隐私安全，成为行业普遍面临的挑战。相较常见的4Bit或8Bit量化方案，2Bit量化在压缩效率上更具优势，但也更容易带来性能损失。腾讯混元方面表示，针对小模型、低比特带来的精度挑战，团队采用量化感知训练，并结合数据优化、弹性拉伸量化及训练策略创新，尽可能降低量化对模型能力的影响。

官方披露，在数学、代码、科学等核心指标上，HY-1.8B-2Bit 与4Bit PTQ版本表现接近，体现出“小而强”的设计目标。在部署层面，腾讯混元已提供 gguf-int2 与 bf16 伪量化权重，并完成对 Arm 等计算平台的适配，可在支持 Arm SME2 技术的移动设备上高效运行。

测试结果显示，在 MacBook M4 芯片上，HY-1.8B-2Bit 在1024输入长度内的首字时延可实现3—8倍加速，生成速度较原始精度模型稳定提升至少2倍；在天玑9500平台上，相较Q4模型，首字时延提升约1.5—2倍，生成速度提升约1.5倍。

打开网易新闻 查看精彩图片
打开网易新闻 查看精彩图片

腾讯混元表示，当前模型能力仍受限于监督微调流程及基础模型规模，后续将引入强化学习与模型蒸馏等技术路径，进一步缩小低比特量化模型与全精度模型之间的能力差距，为边缘设备上的大模型应用拓展更多可能性。