待验证50% 置信解决方案精确时间
通过Hessian矩阵或Fisher信息矩阵进行逐层敏感性分析可识别模型中的量化瓶颈层，注意力层Q/K投影通常为高敏感层，FFN层大部分权重可安全压缩至FP8甚至INT8
1
来源数
50%
置信度
长期有效
时效性
2026/7/11
首次发现
来源
Krea2实测：FP8与BF16画质差距还存在吗？
redditr/StableDiffusion2026/7/9
相关事实
待验证对于图像生成Transformer骨干，注意力层的Q/K投影矩阵通常被识别为高敏感层，而FFN层大部分权重可安全压缩至FP8甚至INT883% 相似待验证标准注意力机制中，Query矩阵与Key矩阵做矩阵乘法得到n×n注意力分数矩阵，计算复杂度为O(n²·d)67% 相似待验证选择性SSM本质上等价于一种特殊的半可分矩阵（semiseparable matrix）形式的注意力66% 相似待验证研究表明Transformer架构中注意力层（Q/K/V投影和输出投影）对精度损失更敏感，而FFN线性层对低精度表示鲁棒性更强，嵌入层和LayerNorm层通常保留高精度66% 相似待验证Sage Attention通过将Key矩阵量化为INT8、Value矩阵量化为FP8来降低带宽需求和计算量65% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/475414API
curl https://kongchang.com/api/v1/knowledge/claims/475414MCP
get_claim(id=475414)