Henry Han 团队提出 LAQ 局部感知量化方法

Henry Han 团队于 2026 年 11 月 6 日在 arXiv 发布论文，提出了局部感知量化方法（LAQ）。该方法旨在增强压缩 AI 智能体记忆中的局部与全局结构，核心机制是将远端边界证明转化为 OPQ 索引码本上的 Hinge 目标，同时保留原有的字节数、旋转及搜索能力。 LAQ 被认为是首个基于远端边界证明的目标函数量化器。实验表明，在 52 个留出运行中，该方法全部提升了全局保真度指标 G。针对 96 字节/段落的压缩场景，在 12 个 Multi-Doc-2025 测试运行中，LAQ 取得了七种同等大小量化器中最高的 G 值。 研究进一步展示了该方法的扩展性，成功将其应用规模扩展至百万段落级别。这证明了 LAQ 在保持计算效率的同时，能够有效处理大规模数据集中的结构化信息，为 AI 智能体记忆压缩提供了新的技术路径。

AI 根据报道生成 · 22 小时前更新