论文：CKA-QAD 方法大幅提升 NVFP4 量化大模型推理与编码能力
Aaaaaaaaaeeeee · reddit · 2026-08-10
arXiv 论文《Beyond Output Matching》深入探讨了大型语言模型在低比特量化（如 NVFP4）环境下的精度恢复问题。
- 问题发现：传统的量化感知蒸馏（QAD）仅依赖 KL 散度匹配输出分布，这会掩盖模型内部表征的退化。尤其在经过强化学习后训练的模型中，内部激活几何会发生严重漂移，导致推理和编码任务性能瓶颈。
- 提出方案：作者提出了 CKA-QAD，一种基于 CKA（中心核对齐）的表征对齐方法。该方法通过在蒸馏过程中对齐层级 Gram 矩阵，添加轻量级正则化器来保持内部的表征几何结构。
- 实验效果：在 Nemotron 3 Nano 和 Qwen3-4B-Thinking-2507 模型上的实验表明，CKA-QAD 显著改善了表征对齐，并在适度的训练开销下提升了下游推理和编码任务的准确率。
「Infra」频道最新
- 澄清海力士 HBM 降价传闻：实际折扣达 20%-25% — zephyr_z9 · 2026-08-10
- 英伟达分享 DGX Spark 本地大模型部署指南 — lifebypixels · 2026-08-10
- AGI 时代瓶颈：基础设施维护成本与高带宽通信 — ns123abc · 2026-08-10
- 数据中心税收红利：北达科他州一小镇税基暴增7倍 — BenBajarin · 2026-08-10
- 马斯克断言：AI 智能体网络流量将远超人类 — elonmusk · 2026-08-10
- AI 对冲基金向芯片初创公司 Source Foundry 投资 4 亿美元 — TechCrunch AI · 2026-08-10