新研究详细介绍了循环 Transformer 中的量化失败

研究人员在循环 Transformer 的训练后量化 (PTQ) 中识别出两种关键的失败模式，这些 Transformer 在递归步骤中重用权重。第一种称为“反馈暴露”，当量化层在没有恒等路径的情况下扰乱递归状态时发生，导致错误放大。第二种“校准盲目性”源于量化方法，这些方法基于初始激活值进行计算，而忽略了递归中的后续状态。在 Huginn-3.5B 和 Mamba 等模型上的实验证明了这些问题，而跨递归步骤累积 Hessian 的解决方案有望恢复完整精度。 AI

影响 确定了优化循环 Transformer 架构以实现高效部署的关键挑战。

排序理由 该集群包含一篇详细介绍模型量化技术新研究成果的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• bfloat16
• GPTQ
• Hessian
• Hugging Face
• Huginn-3.5B
• Int4
• Looped Transformers
• Mamba

• 论文
• 基础设施

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