本文介绍了多种视觉变换器的后训练量化方法，如PTQ4ViT、MGRQ和RepQuant，旨在提高量化准确度并降低计算需求。这些方法在ImageNet等任务上实现了接近无损的性能提升，尤其在低位量化下表现优异，显著提高了模型的实用性和效率。

本文提出了多种后训练量化方法（如SQ-b、OPT-m和MPTQ-ViT），在ImageNet数据集上显著提高了视觉变换器（ViTs）的准确性。这些方法有效降低了内存和计算成本，适用于移动设备，并在多个基准模型上验证了其有效性。