# AutoRound

[AutoRound](https://github.com/intel/auto-round) es un kit de herramientas avanzado de cuantización. Logra una alta precisión en anchos de bits ultrabajos (2-4 bits) con un ajuste mínimo, aprovechando el descenso de gradiente de signo y ofreciendo una amplia compatibilidad con el hardware. Consulte nuestros artículos [SignRoundV1](https://arxiv.org/pdf/2309.05516) y [SignRoundV2](https://arxiv.org/abs/2512.04746) para obtener más detalles.

Instala `auto-round` (versión ≥ 0.13.0):

```bash
pip install "auto-round>=0.13.0"
```

Para usar el kernel Marlin para una inferencia CUDA más rápida, instale `gptqmodel`:

```bash
pip install "gptqmodel>=5.8.0"
```

## Cargar un modelo cuantizado

Cargue un modelo AutoRound pre-cuantizado pasando `AutoRoundConfig` a [from_pretrained()](/docs/diffusers/v0.43.0/es/api/models/overview#diffusers.ModelMixin.from_pretrained). El método funciona con cualquier modelo que se cargue mediante [Accelerate](https://hf.co/docs/accelerate/index) y que tenga capas `torch.nn.Linear`.

Puede usar [PipelineQuantizationConfig](/docs/diffusers/v0.43.0/es/api/quantization#diffusers.PipelineQuantizationConfig) para cuantizar componentes específicos de un pipeline:

```python
import torch
from diffusers import DiffusionPipeline, PipelineQuantizationConfig, AutoRoundConfig

pipeline_quant_config = PipelineQuantizationConfig(
    quant_mapping={"transformer": AutoRoundConfig(backend="auto")}
)
pipe = DiffusionPipeline.from_pretrained(
    "INCModel/Z-Image-W4A16-AutoRound",
    quantization_config=pipeline_quant_config,
    dtype=torch.bfloat16,
    device_map="cuda",  # or "mps", "xpu", "cpu"
)

image = pipe("a cat holding a sign that says hello").images[0]
image.save("output.png")
```

O cargue directamente un componente de modelo cuantizado:

```python
import torch
from diffusers import ZImageTransformer2DModel, ZImagePipeline, AutoRoundConfig

model_id = "INCModel/Z-Image-W4A16-AutoRound"

quantization_config = AutoRoundConfig(backend="auto")
transformer = ZImageTransformer2DModel.from_pretrained(
    model_id,
    subfolder="transformer",
    quantization_config=quantization_config,
    dtype=torch.bfloat16,
    device_map="cuda",  # or "mps", "xpu", "cpu"
)

pipe = ZImagePipeline.from_pretrained(
    model_id,
    transformer=transformer,
    dtype=torch.bfloat16,
    device_map="cuda",
)

image = pipe("a cat holding a sign that says hello").images[0]
image.save("output.png")
```

> [!NOTE]
> AutoRound en Diffusers solo admite la carga de modelos *precuantizados*. Para cuantizar un modelo desde cero, use directamente la [CLI o la API de Python de AutoRound](https://github.com/intel/auto-round) y luego cargue el resultado con Diffusers.

## torch.compile

AutoRound es compatible con [`torch.compile`](../optimization/fp16#torchcompile) para una inferencia más rápida. Puedes compilar el transformer (DiT) cuantizado para un mejor rendimiento:

```python
import torch
from diffusers import DiffusionPipeline, PipelineQuantizationConfig, AutoRoundConfig

pipeline_quant_config = PipelineQuantizationConfig(
    quant_mapping={"transformer": AutoRoundConfig(backend="auto")}
)
pipe = DiffusionPipeline.from_pretrained(
    "INCModel/Z-Image-W4A16-AutoRound",
    quantization_config=pipeline_quant_config,
    dtype=torch.bfloat16,
    device_map="cuda",  # or "mps", "xpu", "cpu"
)

pipe.transformer = torch.compile(pipe.transformer, mode="default", fullgraph=False)
```

## Backends

AutoRound admite varios backends de inferencia para modelos cuantizados solo en pesos. El backend controla qué kernel gestiona la decuantización durante la pasada hacia adelante. Establece el parámetro `backend` en `AutoRoundConfig` para elegir uno:

| Backend | Valor | Dispositivo | Requisitos | Notas |
|---------|-------|--------|--------------|-------|
| **Auto** | `"auto"` | Cualquiera | — | Predeterminado. Selecciona automáticamente el mejor backend disponible. |
| **PyTorch** | `"torch"` | CPU / CUDA | — | Implementación en PyTorch puro. Mayor compatibilidad. |
| **Triton** | `"tritonv2"` | CUDA | `triton` | Núcleo basado en Triton para inferencia en GPU. |
| **ExllamaV2** | `"exllamav2"` | CUDA | `gptqmodel>=5.8.0` | Buen rendimiento de CUDA a través del kernel ExllamaV2. |
| **Marlin** | `"marlin"` | CUDA | `gptqmodel>=5.8.0` | Mejor rendimiento de CUDA a través del kernel Marlin. |

```python
from diffusers import AutoRoundConfig

# Auto-select (default)
config = AutoRoundConfig()

# Explicit Triton backend for CUDA
config = AutoRoundConfig(backend="tritonv2")

# Marlin backend for best CUDA performance (requires gptqmodel>=5.8.0)
config = AutoRoundConfig(backend="marlin")

# ExllamaV2 backend for good CUDA performance (requires gptqmodel>=5.8.0)
config = AutoRoundConfig(backend="exllamav2")

# PyTorch backend for CPU/CUDA inference
config = AutoRoundConfig(backend="torch")
```

## Guardar y cargar

AutoRound requiere la calibración de datos para cuantizar un modelo. Esto se realiza fuera de Diffusers utilizando directamente la [biblioteca AutoRound](https://github.com/intel/auto-round):

```python
from auto_round import AutoRound

autoround = AutoRound(
    "Tongyi-MAI/Z-Image",
    scheme="W4A16",  # W4G128 symmetric
    enable_torch_compile=True,
    num_inference_steps=3,
    guidance_scale=7.5,
    dataset="coco2014",
)
autoround.quantize_and_save("Z-Image-W4A16-AutoRound")
```

Para más detalles sobre las opciones de calibración, consulte la [documentación de AutoRound](https://github.com/intel/auto-round).

```python
import torch
from diffusers import ZImageTransformer2DModel, ZImagePipeline

model_id = "INCModel/Z-Image-W4A16-AutoRound"

# The inference backend will be automatically selected.
pipe = ZImagePipeline.from_pretrained(
    model_id,
    dtype=torch.bfloat16,
    device_map="cuda",  # or "mps", "xpu", "cpu"
)

image = pipe("a cat holding a sign that says hello").images[0]
image.save("output.png")
```

### Esquemas de cuantización admitidos

AutoRound admite varios esquemas:

- **W4A16**(bits:4,group_size:128,sym:True,act_bits:16)
- **W8A16**(bits:8,group_size:128,sym:True,act_bits:16)
- **W3A16**(bits:3,group_size:128,sym:True,act_bits:16)
- **W2A16**(bits:2,group_size:128,sym:True,act_bits:16)
- **GGUF:Q4_K_M**(se admiten todos los Q*_K, Q*_0, Q*_1 proporcionados por llamacpp)
- **NVFP4**(Función experimental, se recomienda exportar al formato `llm_compressor` con data_type nvfp4,act_data_type nvfp4,static_global_scale,group_size 16)
- **MXFP4**(**Función de investigación, sin kernel real**, MXFP4 estándar, data_type mxfp,act_data_type mxfp,bits 4, act_bits 4, group_size 32)
- **MXINT4**(**Función de investigación, sin kernel real**, MXINT4 estándar, data_type mxint,act_data_type mxint,bits 4, act_bits 4, group_size 32)
- **MXFP4_RCEIL**(**Función de investigación, sin kernel real**, variante de NVIDIA, data_type mxfp,act_data_type mxfp_rceil,bits 4, act_bits 4, group_size 32)
- **MXFP8**(**Función de investigación, sin kernel real**, data_type mxfp,act_data_type mxfp_rceil,group_size 32)
- **FPW8A16**(**Función de investigación, sin kernel real**, data_type fp8,group_size 0->per tensor )
- **FP8_STATIC**(**Función de investigación, sin kernel real**, data_type:fp8,act_data_type:fp8,group_size -1 ->por canal, act_group_size=0->por tensor)

Además, puedes modificar `group_size`, `bits`, `sym` y muchas otras configuraciones que desees, aunque es posible que no existan kernels reales.

## Recursos

- [Modelos AutoRound pre-cuantizados en el Hub](https://huggingface.co/models?search=autoround)