本研究提出ASER算法，旨在解决大型语言模型的低位量化问题，通过误差重建和激活平滑来提升性能。实验结果表明，ASER在保持准确性的同时，能够有效地量化大型语言模型。

T-MAC是一种基于查找表的低位量化方法，旨在提高大型语言模型的推断效率。通过FlattenQuant方法，模型在使用4位和8位权重时实现了显著的速度提升和内存减少，且准确度损失微小。此外，研究还提出了LUT-Q训练方法和BiQGEMM矩阵乘法，进一步优化了深度神经网络的性能和计算需求。

本文提出了一种高效的低位量化方法，利用预训练模型对大型语言模型的权重和激活值进行量化，显著降低内存消耗和推断成本。该方法适用于多种模型，确保最小的准确性损失，并在多个大规模模型上验证了其有效性，提升了吞吐量和性能。