STEPQuant时空量化框架发布
热点事件持续更新
STEPQuant时空量化框架发布
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
针对线性注意力模型循环状态量化精度下降问题,研究者提出时空后训练量化框架STEPQuant。该框架依据误差幅度与记忆寿命动态分配精度,在Qwen3.8-27B和Kimi-Linear-48B模型上完成验证。 6-bit配置下模型精度可匹配FP32表现。集成至SGLang推理框架后,实现5倍状态压缩,服务内存占用降低68.7%。
AI 根据报道生成 · 15 小时前更新
最新进展11月20日 13:00
STEPQuant:Delta 规则循环状态量化中误差的重要性分析报道时间线
沿着报道,了解事件的不同侧面。
11月20日
- arXiv · AISTEPQuant:Delta 规则循环状态量化中误差的重要性分析
针对线性注意力模型中循环状态量化易致精度下降的问题,作者提出时空后训练量化框架 STEPQuant。 该框架根据误差幅度和记忆寿命动态分配精度,在 Qwen3.8-27B 和 Kimi-Linear-48B-A3B-Instruct 上验证有效。 6-bit 配置下精度匹配 FP32,集成至 SGLang 后实现 5 倍状态压缩,服务内存降低 68.7%。
本事件热度走势
- 可比范围当前
- 6
- 可比范围峰值
- 911月20日 15:00
- 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。