PulseAugur
中
实时 08:48:51
English(EN) Not All NVFP4 QAT Recipes Are Equal: How Architecture and Scale Shape Model Quality for Anomaly Segmentation

Swin Transformer 在异常分割中对 FP4 量化表现出韧性

作者 PulseAugur 编辑部 · [1 个来源] ·

一篇新的研究论文探讨了模型架构、规模和特定的量化感知训练 (QAT) 配方如何在 FP4 精度下影响异常分割模型的质量。研究发现，与 CNN 相比，基于注意力机制的架构（如 Swin Transformer）对不同的 QAT 配方选择具有显著的韧性，尤其是在更大的规模下。研究结果表明，由于其鲁棒性，Swin Transformer 是 FP4 量化异常分割任务的推荐选择。 AI

影响 强调了架构选择对量化鲁棒性的重要性，可能指导未来用于高效推理的模型开发。

排序理由 这是一篇研究论文，详细介绍了异常分割的模型架构和量化技术的研究结果。[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 →

Swin Transformer 在异常分割中对 FP4 量化表现出韧性

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Zijian Du, Oleg Rybakov ·

    并非所有NVFP4 QAT配方都相同：架构和规模如何塑造异常分割的模型质量

    arXiv:2605.27616v1 Announce Type: cross Abstract: Real-time anomaly segmentation demands both high recall and efficient low-precision inference. We study the three-way interaction of model architecture, model scale, and FP4 quantization-aware training (QAT) recipe on a recall-cri…

相关实体

相关话题