QUASAR
PulseAugur coverage of QUASAR — every cluster mentioning QUASAR across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的Q学习算法为MDP提供无模型可达性
研究人员开发了Quasar，一种新颖的无模型算法，它使用Q学习在没有非终端最大结束组件（MECs）的马尔可夫决策过程（MDPs）中实现可达性规范的渐近收敛。这种方法消除了对显式估计转移概率的需求，而这是先前基于模型的方法的要求。与现有的最先进的基于模型的技术相比，Quasar显著减小了内存占用，并在定量验证基准集上展示了更快的收敛速度，标志着在规范引导强化学习方面迈出了实用性的一步。
-
量子-经典网络QUASAR增强SAR卫星认证
研究人员开发了QUASAR，这是一种新颖的量子-经典混合神经网络，用于X波段合成孔径雷达（SAR）卫星的物理层认证。该架构结合了卷积神经网络（CNN）和变分量子电路（VQC），以解决经典深度学习在卫星信号认证方面的局限性。QUASAR在数据效率方面表现出色，仅需10%的训练数据即可达到经典基线精度，并在数据预算相等的情况下提高分类精度。该系统在各种对抗场景下，包括重放攻击、定制IQ注入和天基欺骗，均能有效拒绝欺骗传输。
-
新的QUASAR方法在低比特量化中提升LLM准确性
两篇新研究论文介绍了QUASAR，一种用于提高量化大语言模型准确性的新方法。第一篇论文侧重于一种无需训练的训练后量化方法，该方法解决了残差补偿中的数值稳定性问题，并在Vision Transformer Base模型上取得了优异的成果。第二篇论文将QUASAR作为一种感知量化训练技术，通过将感知重构纳入训练循环来降低损失下限，在Qwen3和Llama-3.1等模型上显著提高了准确性和KL散度。
-
QUASAR方法通过降低损失下限来改进LLM量化
研究人员开发了QUASAR，一种新颖的量化感知训练（QAT）方法，旨在提高大语言模型在低精度下的性能。QUASAR解决了QAT中的一个关键挑战，即使用有损重建的权重来计算损失，导致训练效果不佳。通过将轻量级的、感知损失的重建直接纳入训练循环，QUASAR有效地降低了损失下限，并提高了所得低比特模型的质量。该方法已显示出显著的改进，在Qwen3和Llama-3.1等模型的任务上，与现有的QAT和PTQ基线相比，实现了更低的KL散度和更高的准确性。