メインコンテンツにスキップ

NVFP4とは？精度をほぼ落とさずにAIモデルを4ビットにする、NVIDIAの数値形式の仕組み

AIインフラ
NVFP4は、AIの計算に使う数値を4ビットまで小さくしながら、「16個の値ごとにFP8のスケールを付ける」ことで精度の低下を1ポイント前後に抑える、NVIDIAの数値形式です。モデルの重みは16ビット形式の約3.5分の1になりま…
作者

obelos

公開

2026年11月12日

更新日

2026年11月12日

結論：NVFP4は、AIの計算に使う数値を4ビットまで小さくしながら、「16個の値ごとにFP8のスケールを付ける」ことで精度の低下を1ポイント前後に抑える、NVIDIAの数値形式です。モデルの重みは16ビット形式の約3.5分の1になります。

ポイントは次の3つです。

  1. 背景：GPUの高速メモリ（HBM）は容量が限られ、推論の性能はそこに何を載せられるかで決まる。数値のビット数を減らせば、同じHBMにより多くのデータを載せられる
  2. 仕組み：4ビットの浮動小数点数（E2M1）で表せる値は15個しかない。そこで16個の値ごとにFP8のスケールを、テンソル全体にFP32のスケールを付ける2段階の構造にした
  3. 効果：DeepSeek-R1-0528での正答率の差は、多くの項目で1ポイント以内。KVキャッシュに使えば、FP8より最大50%小さくなる

この記事は「GPUメモリを無駄なく使う5つの方法」の1本目です。

前提：ビット数を減らすことの意味

LLMは、数千億個にもなる数値（重み）の集まりです。推論のたびに、GPUはこの重みをHBMから読み出して計算します。1つの数値を何ビットで表すかによって、必要なメモリの量と読み出しにかかる時間が変わります。

形式 1つの数値のビット数 対応するGPU
FP32 32ビット すべて
FP16／BF16 16ビット 現在の標準的な形式
FP8 8ビット Hopper（H100）以降
NVFP4 4ビット＋スケール Blackwell以降

ビット数を半分にすれば、メモリの量も読み出しの時間も半分になります。ただし、表せる値の種類が減るため、計算結果の精度が落ちるおそれがあります。ビット数を減らすことと、精度を保つことの両立が課題です。

FP4（E2M1）で表せるのは15個の値だけ

NVFP4の土台になっているFP4は、4ビットを「符号1ビット・指数2ビット・仮数1ビット」に分けた浮動小数点数です（E2M1形式）。表せる値は次の15個です。

0、±0.5、±1、±1.5、±2、±3、±4、±6

FP4（E2M1）で表せるのは15個の値だけ

FP4（E2M1）で表せるのは15個の値だけ

値の間隔は一定ではなく、0の近くは細かく、絶対値が大きくなるほど粗くなります。この15個だけでは、次のような値をそのまま表せません。

  • 0.03のような小さな値（0に丸められる）
  • 120のような大きな値（6に丸められる）
  • 2.4のような中間の値（最も近い2に丸められる）

AIの重みには、ごく小さな値から大きな値までが混在しています。15個の値だけでは表現しきれません。

スケールと組み合わせる

そこで使うのが スケール（倍率） です。値の集まりごとにスケールを決め、「元の値 ≒ 4ビットの値 × スケール」として表します。

  • 小さな値が集まるブロックでは、スケールを0.01にする → 0.005刻みで表せる
  • 大きな値が集まるブロックでは、スケールを20にする → 最大120まで表せる

記録するのは「4ビットの値」と「スケール」の2つです。設計上の論点は、スケールを何個の値ごとに付けるかと、スケール自体をどれだけ細かく表すかの2つです。

NVFP4の設計：小さなブロックに、細かいスケールを付ける

業界標準の4ビット形式「MXFP4」（Open Compute Projectの仕様）と比べると、NVFP4の設計がよく分かります。

NVFP4の工夫：細かいグループごとに、細かいスケールを付ける

NVFP4の工夫：細かいグループごとに、細かいスケールを付ける
項目 MXFP4 NVFP4
1つのスケールを共有する値の数 32個 16個
スケールの形式 E8M0（2のべき乗だけ） E4M3（FP8。小数を含む値を表せる）
テンソル全体のスケール なし FP32で1つ
1つの値あたりの実質ビット数 約4.25ビット 約4.5ビット

設計1：スケールをFP8で表す

MXFP4のスケールはE8M0形式で、2のべき乗（1、2、4、8…）しか表せません。理想のスケールが3でも、2か4に丸めることになり、その分の誤差が4ビットの値に乗ります。

NVFP4はスケールをFP8（E4M3形式）で記録するため、2.75のような値も表せます。NVIDIAの例では、スケールを量子化するときの誤差（平均二乗誤差）が、E8M0の0.72に対してE4M3では0.08でした。

設計2：ブロックを16個にした

1つのスケールを共有する範囲が広いと、その中に1つだけ極端に大きな値（外れ値）があったとき、スケールがその値に合わせて大きくなり、ほかの値が粗くしか表せなくなります。NVFP4はブロックを32個から16個に減らし、外れ値の影響が及ぶ範囲を半分にしました。

設計3：テンソル全体のスケールを追加した

E4M3はE8M0より細かく表せる代わりに、表せるスケールの範囲が狭くなります。そこでNVFP4は、テンソル全体にもう1つFP32のスケールを付けました。テンソル全体のスケールで値の分布を大まかに合わせ、そのうえで16個ごとのスケールで細かく調整する、2段階の構造です。

効果

サイズは16ビット形式の約3.5分の1

スケールの分だけ1つの値あたり約4.5ビットになりますが、それでも16ビット形式より大幅に小さくなります。

モデルの重みの大きさ：16ビットを100とした場合

モデルの重みの大きさ：16ビットを100とした場合

精度の低下は1ポイント前後

NVIDIAは、DeepSeek-R1-0528を学習後量子化（PTQ）でNVFP4に変換し、FP8版と正答率を比べています。

精度はほとんど落ちない：DeepSeek-R1-0528での比較

精度はほとんど落ちない：DeepSeek-R1-0528での比較

7項目のうち、差は最大1ポイントで、AIME 2024ではNVFP4のほうが2ポイント高い結果でした。

KVキャッシュにも使える

NVFP4は重みだけでなく、KVキャッシュ（会話の途中経過を保持するデータ）にも使えます。NVIDIAによると、KVキャッシュをNVFP4にするとFP8より最大50%小さくなり、GPUに載せられる文脈の長さがおよそ2倍になります。DeepSeek-v4-Proの10種類のベンチマークでは、BF16版の99%以上の成績を保ち、差は0.1〜1.0ポイントでした（最大はTerminalBenchの74.1対75.1）。

制約と注意点

  • 誤差はゼロではない：精度の差が1ポイントでも問題になる用途では、対象のタスクで検証が必要です
  • Blackwell以降が必要：NVFP4を高速に計算するTensor Coreは、Blackwell世代から搭載されています
  • 最良条件の数字：「電力あたり最大4倍」（GB300でのDeepSeek R1、FP8比）などの数字は、特定のモデルと条件での最大値です

試すには

  • NVIDIA TensorRT Model OptimizerまたはLLM Compressorで、モデルをNVFP4に変換できます（PTQ、量子化を考慮した学習＝QATなど）
  • 変換したモデルは、TensorRT-LLMやvLLMで動かせます
  • DeepSeek-R1-0528などの変換済みモデルが、Hugging Faceで公開されています

まとめ

  • FP4（E2M1）で表せる値は15個しかなく、そのままでは幅広い値を表せない
  • NVFP4は、16個ごとのFP8スケールとテンソル全体のFP32スケールの2段階で、表現の精度を上げている
  • モデルは16ビット形式の約3.5分の1になり、精度の低下は多くの項目で1ポイント以内
  • KVキャッシュにも使え、GPUに載せられる文脈の長さがおよそ2倍になる

連載「GPUメモリを無駄なく使う5つの方法」

前の記事：GPUメモリを無駄なく使う5つの方法【まとめ】

次の記事：② Wide-EP：MoEのエキスパートを多数のGPUに分散する

あわせて読みたい

参考

次に読む