T²Quant按任务与去噪步动态量化扩散语言模型
热点事件持续更新
T²Quant按任务与去噪步动态量化扩散语言模型
1 篇报道1 个报道来源1 小时前更新
先了解这件事
AI 综述
Technion与Ben-Gurion大学提出T²Quant，一种面向扩散语言模型的任务与时间感知混合精度量化方法。该方法根据任务和去噪步骤动态分配激活精度，以适应不同阶段对计算精度的需求。 研究团队称，GSM8K、HumanEval和MMLU-Pro等任务在128个去噪步中的精度需求曲线不同；无需真值标签或任务专属评测指标，即可预测这些需求并实施混合精度量化。
AI 根据报道生成 · 1 小时前更新
最新进展10月24日 06:17
Technion 与 Ben-Gurion 大学提出 T²Quant 扩散语言模型量化方法报道时间线
沿着报道，了解事件的不同侧面。
10月24日
- AGI HuntTechnion 与 Ben-Gurion 大学提出 T²Quant 扩散语言模型量化方法
Technion 与 Ben-Gurion 大学提出扩散语言模型（DLM）量化方法 T²Quant，按任务与去噪步动态分配激活精度。GSM8K、HumanEval、MMLU-Pro 等任务在 128 个去噪步中的精度需求曲线不同，且无需真值标签或任务专属评测指标即可预测，从而实现任务与时间感知的混合精度量化。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。