# AutoRound

[AutoRound](https://github.com/intel/auto-round) adalah toolkit kuantisasi tingkat lanjut. Alat ini mencapai akurasi tinggi pada lebar bit ultra-rendah (2-4 bit) dengan penyetelan minimal dengan memanfaatkan sign-gradient descent dan menyediakan kompatibilitas perangkat keras yang luas. Lihat makalah kami [SignRoundV1](https://arxiv.org/pdf/2309.05516) dan [SignRoundV2](https://arxiv.org/abs/2512.04746) untuk detail lebih lanjut.

Instal `auto-round`(versi ≥ 0.13.0):

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

Untuk menggunakan kernel Marlin untuk inferensi CUDA yang lebih cepat, instal `gptqmodel`:

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

## Muat model terkuantisasi

Muat model AutoRound yang sudah dikuantisasi sebelumnya dengan meneruskan `AutoRoundConfig` ke [from_pretrained()](/docs/diffusers/v0.43.0/id/api/models/overview#diffusers.ModelMixin.from_pretrained). Metode ini berfungsi dengan model apa pun yang dimuat melalui [Accelerate](https://hf.co/docs/accelerate/index) dan memiliki lapisan `torch.nn.Linear`.

Anda dapat menggunakan [PipelineQuantizationConfig](/docs/diffusers/v0.43.0/id/api/quantization#diffusers.PipelineQuantizationConfig) untuk mengkuantisasi komponen tertentu dari sebuah 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")
```

Atau muat komponen model terkuantisasi secara langsung:

```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 di Diffusers hanya mendukung pemuatan model *pre-quantized*. Untuk mengkuantisasi model dari awal, gunakan [AutoRound CLI atau Python API](https://github.com/intel/auto-round) secara langsung, lalu muat hasilnya dengan Diffusers.

## torch.compile

AutoRound kompatibel dengan [`torch.compile`](../optimization/fp16#torchcompile) untuk inferensi yang lebih cepat. Anda dapat mengompilasi transformer (DiT) yang dikuantisasi untuk kinerja yang lebih baik:

```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)
```

## Backend

AutoRound mendukung beberapa backend inferensi untuk model yang dikuantisasi hanya pada bobot. Backend mengontrol kernel mana yang menangani dekuantisasi selama forward pass. Atur parameter `backend` di `AutoRoundConfig` untuk memilih salah satu:

| Backend | Nilai | Perangkat | Persyaratan | Catatan |
|---------|-------|--------|--------------|-------|
| **Auto** | `"auto"` | Semua | — | Default. Secara otomatis memilih backend terbaik yang tersedia. |
| **PyTorch** | `"torch"` | CPU / CUDA | — | Implementasi PyTorch murni. Kompatibilitas paling luas. |
| **Triton** | `"tritonv2"` | CUDA | `triton` | Kernel berbasis Triton untuk inferensi GPU. |
| **ExllamaV2** | `"exllamav2"` | CUDA | `gptqmodel>=5.8.0` | Kinerja CUDA yang baik melalui kernel ExllamaV2. |
| **Marlin** | `"marlin"` | CUDA | `gptqmodel>=5.8.0` | Kinerja CUDA terbaik melalui 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")
```

## Simpan dan muat

AutoRound memerlukan kalibrasi data untuk mengkuantisasi model. Hal ini dilakukan di luar Diffusers dengan menggunakan [library AutoRound](https://github.com/intel/auto-round) secara langsung:

```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")
```

Untuk detail lebih lanjut tentang opsi kalibrasi, lihat [dokumentasi 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")
```

### Skema Kuantisasi yang Didukung

AutoRound mendukung beberapa Skema:

- **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**(semua Q*_K,Q*_0,Q*_1 yang disediakan oleh llamacpp didukung)
- **NVFP4**(Fitur eksperimental, disarankan untuk mengekspor ke format `llm_compressor` dengan data_type nvfp4,act_data_type nvfp4,static_global_scale,group_size 16)
- **MXFP4**(**Fitur riset, tanpa kernel nyata**, Standard MXFP4, data_type mxfp,act_data_type mxfp,bits 4, act_bits 4, group_size 32)
- **MXINT4**(**Fitur riset, tanpa kernel nyata**, Standard MXINT4, data_type mxint,act_data_type mxint,bits 4, act_bits 4, group_size 32)
- **MXFP4_RCEIL**(**Fitur riset, tidak ada kernel nyata**, varian NVIDIA, data_type mxfp, act_data_type mxfp_rceil, bits 4, act_bits 4, group_size 32)
- **MXFP8**(**Fitur riset, tanpa kernel nyata**, data_type mxfp,act_data_type mxfp_rceil,group_size 32)
- **FPW8A16**(**Fitur riset, tanpa kernel nyata**, data_type fp8,group_size 0->per tensor )
- **FP8_STATIC**(**Fitur riset, tanpa kernel nyata**, data_type:fp8,act_data_type:fp8,group_size -1 ->per channel, act_group_size=0->per tensor)

Selain itu, Anda dapat memodifikasi `group_size`, `bits`, `sym` dan banyak konfigurasi lain yang Anda inginkan, meskipun mungkin tidak ada kernel nyata.

## Sumber daya

- [Model AutoRound pra-kuantisasi di Hub](https://huggingface.co/models?search=autoround)