本研究提出了一种名为深度神经损伤（DNL）的轻量级方法，通过翻转深度神经网络参数的符号位来引发准确性下降。研究表明，仅需翻转少量符号位即可造成显著的准确率损失，并探讨了应对此类攻击的防御策略。

我们的研究发现了Transformer-based模型在后训练线性量化过程中准确性下降的原因，并提出了适用于量化的微调方法QuantTune。该方法通过调整权重来控制有问题激活的动态范围，从而在多种Transformer-based模型中实现了显著的后训练量化改进。