Fair-GPTQ：以公平约束引导量化的新方法
热点事件持续更新
Fair-GPTQ：以公平约束引导量化的新方法
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
Irina Proskurina、Guillaume Metzler 与 Julien Velcin 提出 Fair-GPTQ，一种在量化目标中加入群体公平性约束、以引导舍入操作的量化方法。作者称这是首个显式以降低大语言模型不公平性为目标的量化方法。 该方法针对职业偏见以及性别、种族、宗教相关的歧视性语言生成。据论文，它在 zero-shot 基准上保留至少 90% 的基线准确率，相比半精度模型降低不公平性，同时保留 4-bit 量化的内存与速度优势。该论文已被 TACL 接收。
AI 根据报道生成 · 1 小时前更新
最新进展10月9日 12:00
Fair-GPTQ：面向大语言模型的偏见感知量化方法报道时间线
沿着报道，了解事件的不同侧面。
10月9日
- arXiv cs.CLFair-GPTQ：面向大语言模型的偏见感知量化方法
Fair-GPTQ 是首个显式以降低大语言模型不公平性为目标的量化方法，通过在量化目标中加入群体公平性约束来引导舍入操作。该方法聚焦职业偏见及性别、种族、宗教相关的歧视性语言生成，在 zero-shot 基准上保留至少 90% 的基线准确率，相比半精度模型降低不公平性，同时保留 4-bit 量化的内存与速度优势。该论文已被 TACL 接收。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。