跳到正文
热点事件持续更新

研究人员提出无学习PTQ框架CoreQ

1 篇报道1 个报道来源13 小时前更新

先了解这件事

AI 综述

研究人员提出名为CoreQ的无学习逐次后量化框架,旨在解决大语言模型量化中的失配问题。该框架通过几何分解计算层自适应校正系数,并结合贪心逐次舍入来优化量化目标,从而避免了对有限校准数据的过拟合,且无需调节系数。此外,研究还扩展了K-CoreQ版本,以少量额外计算换取性能提升。在多个大语言模型家族和量化设置中,CoreQ实现了比强基准更低的困惑度和更高的下游准确性。

AI 根据报道生成 · 12 小时前更新

报道时间线

沿着报道,了解事件的不同侧面。

11月19日
  1. arXiv · ML
    CoreQ:面向大语言模型量化的失配校正逐次舍入框架

    研究人员提出无学习PTQ框架CoreQ,通过几何分解计算层自适应校正系数,结合贪心逐次舍入优化量化目标。 该框架避免了对有限校准数据的过拟合,无需调节系数,其扩展版K-CoreQ以少量额外计算换取性能提升。CoreQ在多个LLM家族和量化设置中实现了比强基准更低的困惑度和更高的下游准确性。

本事件热度走势

可比范围当前
7
可比范围峰值
1011月19日 14:00
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。