提出分布鲁棒量化DRQ改进低位宽LLM量化

2026年10月9日，arXiv Statistics Machine Learning发布论文《低重构损失为何反而有害：面向低位 LLM 量化的分布鲁棒精炼》（一手报道）。论文提出Distributionally Robust Quantization（DRQ），是一种针对weight-only PTQ的后处理精炼框架，其核心思路是在受限输入激活分布集合上最小化最坏情况重构损失，以改进低位宽LLM量化效果。该报道同时提出“低重构损失为何反而有害”的问题视角，但目前仅见这一篇报道，尚无后续验证或第三方复现信息。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。