热点事件持续更新
Q-PACE：量化感知训练的动态精度分配
1 篇报道1 个报道来源2 小时前 更新
先了解这件事
AI 综述
2026年10月8日，arXiv Machine Learning Theory 发布一手研究，介绍 Q-PACE 方法。该方法提出一种二阶敏感度模型，将损失增量预测为量化噪声 MSE 按层曲率系数加权的和，训练中周期性重算系数并重新分配精度。在最多 4B 参数的 LLM 预训练与监督微调实验中，Q-PACE 稳定优于现有混合精度训练方案，在更低总内存预算下取得相当损失。研究还称量化敏感度可由深度和层类型高度预测，且训练中稳定，支持低频低成本重校准。目前尚无后续报道或独立验证。
AI 根据报道生成 · 2 小时前更新
最新进展10月8日 12:00
arXiv 发布 Q-PACE 一手研究，称其在最多 4B 参数 LLM 实验中以更低内存取得相当损失。报道时间线
沿着报道，了解事件的不同侧面。
10月8日
- arXiv · Machine Learning TheoryQ-PACE：量化感知训练中的动态精度分配
Q-PACE 提出一种二阶敏感度模型，将损失增量预测为量化噪声 MSE 按层曲率系数加权的和，训练中周期性重算系数并重新分配精度。在最多 4B 参数的 LLM 预训练与监督微调实验中，Q-PACE 稳定优于现有混合精度训练方案，在更低总内存预算下取得相当损失。量化敏感度可由深度和层类型高度预测，且训练中稳定，支持低频低成本重校准。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。