本研究提出了一种后训练量化框架，通过细粒度分组和EM量化方案，将大语言模型的权重量化为1位，显著降低量化误差并提升性能。

本文提出了SQuat方法，解决了键值缓存量化中的误差累积问题。该方法通过构建查询张量生成的子空间，确保量化后的键与原始键之间的差异正交，从而减小量化误差对注意力机制的影响。实验结果表明，SQuat在内存占用和处理能力方面优于现有算法。

本研究提出了一种粗到细的标记预测方法，解决自回归图像生成中的量化误差问题。实验结果显示，Inception分数平均提升59分，且采样速度更快。

本研究提出了一种新方法，解决了深度神经网络中计算-存储（CIM）的量化误差和低位权重限制问题，提升了准确性并简化了训练过程。实验结果表明，该方法在准确性和硬件效率上优于相关研究。

本研究探讨了大语言模型后训练量化中的量化简化问题，重点分析各层的量化误差。引入两种微调策略，相较于单一微调，效果因模型而异，对某些模型有显著提升。

后训练量化在视觉Transformer中受到关注，但现有方法常忽视权重和激活间的复杂依赖，导致量化误差。论文提出ERQ方法，通过减少激活和权重量化误差来优化。实验表明，ERQ在ViT-S上性能优于GPTQ，提升22.36%。

本文研究了在上传之前对本地模型参数进行量化，以减少联邦学习的收敛时间。通过随机量化和综合优化计算、通讯资源和量化比特数，保证了最小收敛时间和能源、量化误差的要求。该方法加速了收敛速度，并为选择量化误差容忍度提供了见解。