量化感知训练（QAT）是一种提高量化神经网络准确性的技术。研究表明，将训练分为全精度（FP）阶段和QAT阶段能获得更好的准确性。实验探讨了FP与QAT阶段的计算分配，发现QAT与FP训练的最佳比例随计算总量增加而增加，并提出了一种新的冷却和QAT融合方法，以节省计算资源。这些发现为高效的QAT规划提供了实用见解。