LoopQ：面向循环语言模型的量化框架

针对循环语言模型（LoopLM）在训练后量化（PTQ）中因角色分布偏移、循环状态复用和递归误差累积导致的性能退化，研究者提出循环感知的 PTQ 框架 LoopQ。在 W4A4 量化下，LoopQ 在四个骨干模型上实现五任务平均准确率 67.8% 的相对提升，并在八组骨干-数据集组合上取得保守估计 75.2% 的平均困惑度相对下降。