热点事件持续更新
研究团队提出面向MLA架构的2比特KV缓存量化方法RoLaQ
1 篇报道1 个报道来源9 小时前更新
先了解这件事
AI 综述
2026年10月16日，研究人员在arXiv发布研究成果，提出了一种名为RoLaQ的离线校准方法。该方法主要面向多头潜在注意力（MLA）架构，通过联合旋转与范围校准来优化2-bit KV缓存（KV Cache）。实验评估表明，在涉及3个MLA模型及6个基准测试（benchmark）的评测中，无论是否开启token保护，RoLaQ在所有对比的2-bit量化方法中均取得了最高的平均准确率。
AI 根据报道生成 · 9 小时前更新
最新进展10月16日 12:00
研究人员提出RoLaQ方法，在3个MLA模型的2-bit KV缓存测试中均取得最高平均准确率。报道时间线
沿着报道，了解事件的不同侧面。
10月16日
- arXiv 机器学习RoLaQ：面向多头潜在注意力的 2-Bit KV Cache 联合旋转与范围校准方法
研究人员提出离线校准方法 RoLaQ，通过联合旋转与范围校准优化多头潜在注意力（MLA）下的 2-bit KV cache。在 3 个 MLA 模型和 6 个 benchmark 测试中，RoLaQ 在有无 token 保护的对比 2-bit 方法中均取得最高平均准确率。
本事件热度走势
当前热度 8·可比范围峰值 10（10月16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。