跳到正文
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

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
    STEPQuant: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
–

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。