arXiv · cs.AI· Reem Abdel-Salam, Ahmed H. Abdel-Gawad, Amr G. Wassal·· 2 天前
VLCQ：使用可变长度编码的深度神经网络后训练量化
VLCQ: Post-training quantization for deep neural networks using variable length coding
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：Reem Abdel-Salam, Ahmed H. Abdel-Gawad, Amr G. Wassal
期刊信息（来源提供）：Reem Abdel-Salam, Ahmed H. Abdel-Gawad, and Amr G. Wassal. VLCQ: Post-training quantization for deep neural networks using variable length coding. Future Generation Computer Systems, 166, 107654, 2025
研究任务与主要进展
作者提出VLCQ后训练量化方法，通过可变长度编码放宽定点编码约束，在无需训练数据和模型微调的情况下探索更低比特宽度的量化。论文摘要称，该方法在图像分类、分割和目标检测实验中提升了模型压缩率与准确率；逐通道量化最高实现相对FP32的6倍压缩、相对PWLQ的1.7倍压缩，在性能下降低于4%时相对FP32最高实现12.25倍压缩。
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