量化毁掉 RNN 记忆?误差反馈可免训练恢复 GRU/LSTM 精度
Ismail Erbas · hf · 2026-09-07
这篇工作分析了量化递归推理（低精度运行 GRU/LSTM 等模型）中的一个具体问题：递归状态写回（write-back）规则会抑制小幅状态更新，导致时序记忆在量化后严重退化。
作者提出用误差反馈（error feedback）和残存记忆（residual memory）机制来补偿被抑制的小更新，无需重新训练即可在 GRU 和 LSTM 架构上恢复精度。对想在意向端侧部署递归模型的工程团队有直接参考价值。
「Infra」频道最新
- 曝 Anthropic 与 SpaceX 签算力大单:每月 31 亿美元,至 2029 年共 1205 亿 — ns123abc · 2026-10-27
- 开源编译器 Latch 从 PyTorch 生成训练 megakernel，H100 上提速 2.75 倍 — sguada · 2026-10-27
- NVIDIA 称 HGX Rubin NVL8 每兆瓦 token 吞吐为 B200 的 10 倍 — thursdai_pod · 2026-10-27
- 要么人力商品化，要么 GPU 商品化：算力经济二选一之辩 — _AustinCalvert_ · 2026-10-27
- DeepSpeed 发布 AutoEP/AutoTP 等并行化进展并办线上答疑 — PyTorch · 2026-10-27
- 9B 本地模型干机械活,规划交给大模型:一套省 token 的编程 agent 分工法 — Electrical_Ninja3805 · 2026-10-27