Hardware-efficient 2-4 bits Mixed-Precision Post-Training Quantization for Large Language Models via Greedy Search

최근 초거대 언어 모델(LLM)의 실사용 확대에 따라 메모리 제약을 극복하면서도 높은 성능을 유지할 수 있는 모델 양자화 기법이 주목받고 있다. 특히 3비트 가중치 양자화는 메모리 사용량을 최소화하면서 실용적 성능을 확보할 수 있는 한계점으로 인식되지만, 실제 하드웨어에서 효율적으로 지원되지 않아 가속 성능 향상에 어려움이 있다. 본 연구에서는 이를 해결하기 위해 하드웨어 친화적인 2-4비트 혼합 정밀도 양자화 기법과 탐욕적 탐색(Greedy Search)을 활용한 레이어별 비트 할당 방식을 제안한다. 제안 방식은 성능에 민감한 선형 레이어는 4비트로, 상대적으로 민감도가 낮은 선형 레이어는 2비트로 양자화하여 메모리 효율성과 하드웨어 친화성을 동시에 달성한다. 실험 결과, 제안된 탐욕적 탐색 기반 2-4비트 혼합 정밀도 모델은 동일한 메모리 사용량을 가지는 고정 정밀도 3비트 양자화 모델 대비 더 우수하거나 동일한 성능을 보이는 동시에 최대 5배의 하드웨어 가속 효과를 보였다.