English(EN) Beyond Dense Adam States: Adaptive Log-Space Quantization for Memory-Efficient Optimizers

新的自适应对数空间量化提高了LLM优化器的内存效率

作者 PulseAugur 编辑部 · [1 个来源] · 2026-08-27 04:00

研究人员开发了一种名为自适应对数空间（AL）的新量化方法，以提高训练大型语言模型时使用的优化器的内存效率。该方法为每个块自适应量化范围，并保持精确零不变性，与现有的低精度技术相比，提供了更好的状态重构误差控制。在TinyLlama-1.1B和GPT-2等模型上的评估表明，在对困惑度或损失影响极小的情况下，优化器状态存储显著减少，这表明了一种更具拓扑感知的优化器量化方法。 AI

影响这项研究通过减少优化器的内存需求，有可能在现有硬件上训练更大的模型。

排序理由该集群包含一篇详细介绍用于优化AI模型训练的新型技术方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 23 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇详细介绍用于优化AI模型训练的新型技术方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, infra; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Yan Wang · 2026-08-27 04:00

超越稠密Adam状态：用于内存高效优化器的自适应对数空间量化

arXiv:2608.22322v2 Announce Type: replace Abstract: Low-precision optimizer-state methods are commonly designed and evaluated for dense Adam-style first and second moments. Memory-efficient optimizers depart from this setting: Adafactor factorizes second moments, CAME adds factor…

本文如何被排名

报道来源 [1]

超越稠密Adam状态：用于内存高效优化器的自适应对数空间量化

相关实体

相关话题