热点事件持续更新
研究者提出大语言模型分组量化精炼方法JARQ
1 篇报道1 个报道来源5 小时前更新
先了解这件事
AI 综述
2026年10月1日，研究者在arXiv发表论文，提出一种面向大语言模型的分组量化即插即用精炼方法JARQ。该方法无需反向传播，通过交替优化尺度与编码提升量化精度，且完全保持原位宽与推理成本。在基于Llama-2、Llama-3和Qwen并搭配RTN、GPTQ等方案的测试中，JARQ在96组对比中有90组降低了困惑度，使3-bit RTN困惑度最高降低36%。此外，该方案在7B模型上每block优化耗时不足1分钟。
AI 根据报道生成 · 4 小时前更新
最新进展10月1日 12:00
研究者提出大模型量化精炼方法JARQ，无需反向传播即可显著降低量化困惑度且优化耗时低。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JARQ：面向大语言模型量化的联合交替精炼方法
JARQ 是一种面向大语言模型的分组量化即插即用精炼方法，无需反向传播即可通过交替优化尺度与编码提升量化精度。在 Llama-2、Llama-3 和 Qwen 搭配 RTN、GPTQ 等方案的测试中，JARQ 在 96 组对比中有 90 组降低了困惑度，并将 3-bit RTN 困惑度最高降低 36%。该方案在 7B 模型上每 block 优化耗时不足 1 分钟，且完全保持原位宽与推理成本。
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。