Q-DiT：針對擴散模型 Transformer 架構的高精度訓練後量化方法
Q-DiT 是一種針對擴散模型 Transformer 架構設計的新型訓練後量化方法，透過自動量化粒度分配和動態激活量化技術，在顯著降低模型大小和加速推理速度的同時，最大限度地減少精度損失。
雙曼巴：邁向精準的一位元狀態空間模型
本文介紹了一種名為雙曼巴 (Bi-Mamba) 的新型模型架構，透過將模型權重二元化，成功地將曼巴 (Mamba) 架構壓縮至一位元表示，同時維持與全精度模型相當的效能，顯著降低了模型儲存空間和計算成本。
EfQAT：一個用於量化感知訓練的高效框架
EfQAT 是一種新的量化感知訓練 (QAT) 方法，透過僅更新模型中最重要的權重來加速訓練過程，從而在保持高準確性的同時顯著提高效率。
MicroScopiQ：透過異常感知微縮量化加速基礎模型
MicroScopiQ 是一種新的模型量化技術，它結合了剪枝和異常感知量化，以在保持硬體效率的同時實現高精度。
OneBit：邁向極低位元大型語言模型
OneBit 是一種針對大型語言模型 (LLM) 的新型 1 位元模型壓縮框架，旨在在保持模型效能的同時，透過將模型權重矩陣量化為 1 位元，來顯著降低模型部署所需的儲存和計算成本。
DQRM：深度量化推薦模型
本文提出了一種名為 DQRM 的深度量化推薦模型框架，透過量化技術有效壓縮 DLRM 模型大小並提升其訓練效率，同時解決了 DLRM 模型過擬合的問題，最終在 Kaggle 和 Terabyte 資料集上取得了比全精度 DLRM 模型更優的效能。
QuAILoRA：針對 LoRA 的量化感知初始化方法
QuAILoRA 是一種針對 LoRA（低秩自適應）的量化感知初始化方法，它通過減少初始化時的量化誤差，減輕了量化對模型性能的負面影響，從而提高了量化大型語言模型的效能。
Quamba：一種針對選擇性狀態空間模型的訓練後量化方法
本文提出了一種名為 Quamba 的新型量化方法，專為選擇性狀態空間模型（SSMs）設計，通過將權重和激活量化為 8 位元整數，在保持準確性的同時顯著降低模型大小和延遲，使其適用於資源受限的邊緣設備和雲端部署。
DAQ：針對大型語言模型的密度感知訓練後僅權重量化
DAQ 是一種針對大型語言模型的訓練後僅權重量化方法，它通過考慮權重的密度和影響來利用浮點數表示的非均勻特性，從而實現高效的模型壓縮和加速。
QERA：一種用於量化誤差重建的分析框架
本文提出了一種新的分析框架 QERA，用於解決模型量化過程中低秩誤差重建的最佳化問題，並證明了最小化層輸出誤差比最小化權重近似誤差更有效。
