热点事件持续更新
研究团队提出亚1比特大模型后训练量化方法ShamAN-Q
1 篇报道1 个报道来源4 小时前更新
先了解这件事
AI 综述
2026年10月1日，研究团队在arXiv发布关于大模型量化的新研究，提出面向大语言模型权重的亚1比特训练后量化方法ShamAN-Q。该方法通过引入源自Shampoo优化器的稠密曲率度量，对NanoQuant进行了扩展。在Qwen3-Base模型的基准测试中，ShamAN-Q在约1 bpw（每权重比特数）设定下，将0.6B、1.7B和4B参数模型的WikiText-2困惑度分别降至22.96、16.72与13.80。
AI 根据报道生成 · 4 小时前更新
最新进展10月1日 12:00
研究团队发布亚1比特量化方法ShamAN-Q，在Qwen3-Base测试中取得低困惑度表现。报道时间线
沿着报道，了解事件的不同侧面。
10月1日
- arXiv 机器学习ShamAN-Q：基于 Shampoo 增强的亚 1 比特大语言模型权重量化方法
ShamAN-Q 是一种面向大语言模型权重的亚 1 比特训练后量化方法，通过引入源自 Shampoo 优化器的稠密曲率度量扩展了 NanoQuant。在 Qwen3-Base 测试中，该方法在约 1 bpw 下将 0.6B、1.7B 和 4B 模型的 WikiText-2 困惑度分别降至 22.96、16.72 与 13.80。
本事件热度走势
当前热度 9·可比范围峰值 10（10月1日 13:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。