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
- 10万 GPU 而非 NVL72 整机架：超大集群规模传闻被纠偏 — firstadopter · 2026-09-07
- Astra 算力效率几何？业界推算前沿模型训练成本差距可达十倍 — teortaxesTex · 2026-09-07
- 白嫖 20 小时：Kaggle 免费跑 Qwen3 27B 供 Agent 调用 — TheMoonMidas · 2026-09-07
- llama.cpp 跑 Qwen3.6-35B MTP 投机解码,求 draft 接受率调优 — Bulky-Priority6824 · 2026-09-07
- Google 发布 MaxKernel:多智能体系统自动写 TPU kernel 达专家级 — google · 2026-09-07
- Cerebras:别丢掉 Dropout,层稀疏化让 LLM 训练推理双提速 — cerebras · 2026-09-07