跳到正文
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

报道时间线

沿着报道,了解事件的不同侧面。

11月20日
  1. arXiv · AI
    TRQ 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
–

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。