VLCQ：变长编码训练后量化方法

2026年10月14日，arXiv Computer Vision 刊出 Reem Abdel-Salam 等作者的论文，提出 VLCQ——一种基于可变长度编码的训练后量化方法。该报道称，VLCQ 放松了定点编码约束，无需访问训练数据或微调模型即可降低比特宽度。在图像分类、分割和检测任务上，逐通道量化最高实现较 FP32 6 倍、较 PWLQ 1.7 倍压缩，并超过 FP32 与 PWLQ 精度；在优先压缩时，较 FP32 最高 12.25 倍压缩，性能下降不足 4%。逐张量量化与 DFQ 相当，且在不同任务和模型上支持更低比特率。目前该事件仅有这一篇主报道，尚无后续跟进报道，因此上述压缩倍数、精度对比与适用条件均以该论文报道为准，未出现早先报道与后续报道不一致的情况。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。