Hot eventLive
提出分布鲁棒量化DRQ改进低位宽LLM量化
1 reports1 sources3 hr ago updated
Get the story
AI overview
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。
Generated from reports · updated 3 hr ago
Timeline
Follow the coverage from different angles.
Oct 9, 2026
- arXiv · Statistics Machine Learning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
论文提出 Distributionally Robust Quantization（DRQ），一种针对 weight-only PTQ 的后处理精炼框架，在受限输入激活分布集合上最小化最坏情况重构损失。
Heat trend
Current heat 9·Comparable peak 10（Oct 9）·Comparable change over 24 hours –
The trend compares only the same participants observed continuously; its range may be smaller than the current heat count. Move or click on the chart to inspect hourly heat; use the left and right arrow keys to switch.