研究揭示低精度量化在大规模训练中的局限性
哈佛、斯坦福、MIT等团队的研究表明，随着训练数据量的增加，模型所需的精度也随之提高。低精度量化在大规模训练任务中可能不再有效，且在后训练阶段进行量化可能有害。研究提出了“精度感知”的Scaling Laws，预测不同精度下的模型性能。实验显示，低精度训练和推理会导致性能下降，后训练量化引起的性能退化随训练数据量增加而增加。研究建议在资源有限时使用较低精度训练更大模型，增加模型规模，优化数据使用。来源：https://mp.weixin.qq.com/s/Ifedw4JsOEHEoHc0UGyw4w
页:
[1]