English(EN) Beyond Expert Rankings: Contrast Calibration for Mixed-Precision MoE Quantization

新的NatScale框架优化MoE模型量化

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

研究人员开发了NatScale，一个用于混合精度量化专家混合（MoE）语言模型的新框架。该方法旨在通过为专家分配不同的比特宽度来降低存储成本，这些宽度基于它们对错误的敏感度，而不是仅仅依赖专家排名。NatScale使用模型特定的幂变换来校准基于梯度的专家权重，以满足信息论的对比目标，同时还考虑了权重谱和方差等因素。在三个模型上的评估表明，与现有方法相比，NatScale显著降低了KL散度和困惑度，并提高了最高词元的一致性。 AI

影响优化大型MoE模型的存储，可能降低部署成本并实现更广泛的可访问性。

排序理由这是一篇研究论文，详细介绍了一种新的模型量化技术框架。[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: 14 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 这是一篇研究论文，详细介绍了一种新的模型量化技术框架。[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) · Renjie Xie, Juncheng Yang, Aoting Hu, Yan Liang, Mingxi Zhang, Zheheng Hong, Wei Xu, Yanzhi Chen · 2026-10-15 04:00

超越专家排名：混合精度MoE量化的对比校准

arXiv:2610.20353v1 Announce Type: new Abstract: Mixture-of-experts (MoE) language models activate only a few experts per token, yet all expert weights must be stored. Mixed-precision quantization reduces this storage cost by assigning higher bit-widths to sensitive experts and lo…

本文如何被排名

报道来源 [1]

超越专家排名：混合精度MoE量化的对比校准

相关实体

相关话题