跳到正文
热点事件持续更新

LoopQ：面向循环语言模型的量化框架

1 篇报道1 个报道来源21 小时前更新

先了解这件事

报道摘要

针对循环语言模型（LoopLMs）对训练后量化（PTQ）高度敏感的问题，研究者提出 LoopQ 框架，通过循环感知激活缩放、跨循环状态对齐和轨迹感知校准，在 W4A4 量化下于四个骨干网络上实现五任务平均准确率 67.8% 的相对提升，八个骨干-数据集组合的平均困惑度相对降低保守估计达 75.2%。

摘自 arXiv：cs.AI

最新进展10月15日 12:00
LoopQ：面向循环语言模型的量化框架

报道时间线

沿着报道，了解事件的不同侧面。

10月15日
  1. arXiv：cs.AI
    LoopQ：面向循环语言模型的量化框架

    针对循环语言模型（LoopLMs）对训练后量化（PTQ）高度敏感的问题，研究者提出 LoopQ 框架，通过循环感知激活缩放、跨循环状态对齐和轨迹感知校准，在 W4A4 量化下于四个骨干网络上实现五任务平均准确率 67.8% 的相对提升，八个骨干-数据集组合的平均困惑度相对降低保守估计达 75.2%。

本事件热度走势

可比范围当前
6
可比范围峰值
610月16日 07:00
近 24 小时变化
–

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。