Новости

LeapQuant: Efficient Linear Attention with Accurate Recurrent State Quantization

arXiv cs.AI · Опубликовано 29 сентября 2026 г. · 3 мин чтения

За 30 секунд

Что произошло: LeapQuant enables 8-bit quantization of recurrent states in linear attention models, achieving near-lossless performance with 1.47x end-to-end inference speedup.
Почему это важно: Matters for engineers optimizing inference on long-context LLMs like Qwen, Kimi, and GLM that use linear attention mechanisms.
На что обратить внимание: Method is training-free but requires careful handling of outlier compensation and per-window quantization; real-world gains depend on hardware and model architecture.

Каждый разбирает, как работает техника, когда она оправдывает затраты и где ломается.

Один паттерн, один компромисс, одна история сбоя в продакшене. Короткий еженедельный брифинг для тех, кто строит агентные системы.

Одно письмо в неделю, отписка в один клик. Адрес используется только для рассылки брифинга.

Новости

arXiv cs.AI · Опубликовано 29 сентября 2026 г. · 3 мин чтения

Что произошло: LeapQuant enables 8-bit quantization of recurrent states in linear attention models, achieving near-lossless performance with 1.47x end-to-end inference speedup.
Почему это важно: Matters for engineers optimizing inference on long-context LLMs like Qwen, Kimi, and GLM that use linear attention mechanisms.
На что обратить внимание: Method is training-free but requires careful handling of outlier compensation and per-window quantization; real-world gains depend on hardware and model architecture.

Каждый разбирает, как работает техника, когда она оправдывает затраты и где ломается.

Одно письмо в неделю, отписка в один клик. Адрес используется только для рассылки брифинга.