提出Mamba超分低比特激活量化框架TGQ

Jinwoo Chung与Jangho Kim在arXiv论文（2610.16261）中提出Token-Group Quantization（TGQ），一个面向Mamba超分辨率模型的硬件友好激活后训练量化（PTQ）框架。作者称，该方法用扫描前特征预测Token分组并选择离线校准的裁剪范围，以静态方式近似不友好的扫描后分组 oracle，避免运行时扫描后分组和动态裁剪。 基于论文摘要，作者声称该方法在各种PTQ协议、比特宽度、骨干网络和任务上一致优于已有Mamba和SR量化基线，并在Jetson Orin Nano上相对FP16实现2.23倍加速。以上结果为作者声称，尚未见独立验证。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。