arXiv · cs.AI· Zhixiong Zhao, Zukang Xu, Xing Hu, Lifeng Liu, Guangyu Sun, Dawei Yang·· 11 小时前
LoopQuant为Looped Transformer提出低比特训练后量化框架
LoopQuant: Accurate and Efficient Post-Training Quantization for Looped Transformers
arXiv:2610.16368v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Zhixiong Zhao, Zukang Xu, Xing Hu, Lifeng Liu, Guangyu Sun, Dawei Yang
研究任务与主要进展
LoopQuant是面向Looped Language Models的循环感知训练后量化框架，通过CLDC、ILPA和LCTC处理跨循环激活动态、精度分配与递归误差传播。基于论文摘要，在Ouro-2.6B上，W4A4配置超过W4A8基线，相较朴素INT4仅增加3.4%存储、模型内存减少65.3%，解码速度较BF16提升1.7倍；代码已公开。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org