English(EN) Hardware-Friendly Token-Group Activation Quantization for Low-Bit Mamba Super-Resolution

新型量化方法将Mamba超分辨率速度提升2.23倍

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-15 04:00

研究人员开发了一种名为Token-Group量化的新型训练后量化（PTQ）框架，用于基于Mamba的超分辨率模型。该方法解决了Mamba模型中跨空间Token的激活范围变化所带来的挑战，而这种变化会使低比特量化变得复杂。该框架通过使用轻量级预测器从预扫描特征推断分组，来近似一个硬件不友好的分组预言机，将具有相似裁剪范围的Token分配到同一组。此外，还引入了一个保频细化目标，以在校准过程中保持高频结构，从而在NVIDIA Jetson Orin Nano上实现了比FP16更好的性能和2.23倍的速度提升。 AI

影响这项研究可能导致在边缘设备上更有效地部署基于Mamba的模型，提高性能并降低计算成本。

排序理由该集群包含一篇详细介绍Mamba模型优化新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 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: 14 / 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Mamba模型优化新方法的学术论文。[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.AI TIER_1 English(EN) · Jinwoo Chung, Jangho Kim · 2026-10-15 04:00

面向低比特 Mamba 超分辨率的硬件友好型 Token-Group 激活量化

arXiv:2610.16261v1 Announce Type: new Abstract: Mamba-based super-resolution models are efficient alternatives to Transformer-based restoration backbones, but their low-bit post-training quantization remains challenging because selective scan, Mamba's input-dependent state-space …

本文如何被排名

报道来源 [1]

面向低比特 Mamba 超分辨率的硬件友好型 Token-Group 激活量化

相关实体

相关话题