待验证50% 置信事实精确时间

Q4_K_M采用分组量化策略，将权重张量划分为64或256维子块并独立计算缩放因子与零点，能将困惑度损失控制在1–3%以内

1

来源数

50%

置信度

长期有效

时效性

2026/7/17

首次发现

来源

RobotCore Mini本地部署LLM完整指南：Ollama安装到Web接口搭建

相关事实

待验证Q4_K方案使用4位量化，将权重分为超级块（256个权重）和子块，每个子块有独立缩放因子，超级块拥有更高精度的全局缩放因子79% 相似待验证Q4_K_M 量化方案每个权重平均约 4.8 比特，Q8_0 量化方案每个权重 8 比特79% 相似已验证Q4量化将每个权重参数从16位压缩到4位，理论上可将模型体积缩小约75%77% 相似待验证Q4量化可将模型体积压缩至原来的约1/8，代价是约1-3%的基准测试精度损失76% 相似待验证q4_0使用对称量化（零点固定为0），q4_1使用非对称量化（零点可浮动），后者在数值分布不对称时更精确但需额外存储零点参数75% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/545783

API

curl https://kongchang.com/api/v1/knowledge/claims/545783

MCP

get_claim(id=545783)