TRQ方法通过在线时序旋转提升2-bit KV-Cache量化性能
热点事件持续更新
TRQ方法通过在线时序旋转提升2-bit KV-Cache量化性能
1 篇报道1 个报道来源16 小时前更新
先了解这件事
AI 综述
针对2-bit KV-Cache量化性能瓶颈,研究者提出TRQ方法,通过在线时序旋转提升量化效果。 TRQ利用无梯度拟合的正交变换、2-bit平面旋转树及固定Hadamard变换,在LongCat-Video-13B等模型上实现性能突破。 实验显示,TRQ将VBench主体一致性指标从基准方法的90.38提升至92.02,有效改善了量化精度。
AI 根据报道生成 · 16 小时前更新
最新进展11月20日 13:00
TRQ 方法通过在线时序旋转提升 2-bit KV-Cache 量化性能报道时间线
沿着报道,了解事件的不同侧面。
11月20日
- arXiv · AITRQ 方法通过在线时序旋转提升 2-bit KV-Cache 量化性能
提出 TRQ 方法,通过在线时序旋转将 2-bit KV-Cache 量化的 VBench 主体一致性从 QVG 的 90.38 提升至 92.02。 针对 LongCat-Video-13B 和 HY-WorldPlay-8B 模型,TRQ 使用无梯度拟合的正交变换和 2-bit 平面旋转树,配合固定 Hadamard 变换。
本事件热度走势
- 可比范围当前
- 6
- 可比范围峰值
- 1011月20日 14:00
- 近 24 小时变化
- –
02.557.510
15:0018:0021:0011月21日03:00
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。