以下为上游提供的源文稿,可能存在识别错误。
乔木转写是基于源文稿的中文提炼,不是逐字翻译。请核对原文中的人名、数字与观点。
选一篇,慢慢读
从左侧挑一篇,正文会在这里排成书页。
Post-training quantization is the standard way to serve large language models at low cost. However, the best quantization recipe differs across models and precisions. As a result, experts must redesign it for every new model, which is time-consuming and often sub-optimal. Fortunately, an LLM agent can take over this de
阅读原文 · Xingyang Li, Tianlang Zhao, Song Han, Ligeng Zhu
向阳乔木 · opencode-go/deepseek-v4.1-flash
这篇论文想解决一个很实际的问题: 量化配方要不要为每个模型重新调一遍? 后训练量化(PTQ)是低成本部署大模型的常规手段,但最佳配方随模型和精度变化。过去靠人肉专家为新模型重做设计,费时且经常不够好。QDA 的思路是让 LLM Agent 接管这个设计过程,在“构建候选、评估候选”的循环里迭代配方。 值得看的地方在于它没有停在“让 Agent 试试看”。它正...