待验证50% 置信事实精确时间

量化感知训练在前向传播时插入伪量化节点模拟量化噪声，反向传播时因取整操作不可微而使用STE近似梯度

1

来源数

50%

置信度

长期有效

时效性

2026/8/8

首次发现

来源

图解量化：大语言模型压缩核心技术详解

相关事实

已验证扩散模型通过逐步添加高斯噪声再训练模型学习逆向去噪的马尔可夫链机制，规避了对抗训练的不稳定性74% 相似待验证量化感知训练(QAT)让模型保留全精度权重副本，每次前向传播练习舍入操作，学会在极端压缩下的权重分布73% 相似待验证扩散模型的训练过程分为加噪与去噪两个阶段，推理阶段的条件可引入额外视觉信号（如参考视频、深度图、骨骼图）约束去噪方向72% 相似部分验证扩散模型受非平衡热力学启发，采用两步训练过程：前向过程逐渐向图像添加高斯噪声直至纯随机噪声，反向过程训练神经网络从纯噪声逐步去噪还原为清晰图像72% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/707911

API

curl https://kongchang.com/api/v1/knowledge/claims/707911

MCP

get_claim(id=707911)