The latest research from Google · 24.03.2026 ·Оптимизация моделей

TurboQuant: алгоритмы для сверхкомпактных моделей

Исследователи Google DeepMind представили TurboQuant — набор алгоритмов для экстремальной компрессии нейросетей. Технология позволяет сократить размер модели в 10–100 раз без потери точности, что критически важно для локального развёртывания ИИ-агентов.

Ключевая идея TurboQuant — комбинация квантования весов и структурной оптимизации. Алгоритмы автоматически определяют, какие слои можно сжать сильнее, а какие требуют более точного представления. Это особенно актуально для мобильных и встраиваемых систем, где ресурсы ограничены.

В статье приводятся примеры применения TurboQuant для моделей от 7B до 70B параметров. Например, модель размером 13B параметров была сжата до 1.3B без значимого ухудшения качества. Такие результаты делают локальный инференс крупных моделей реальным даже на бюджетном железе.

Для разработчиков ИИ-агентов TurboQuant открывает возможности для создания компактных, но мощных версий моделей. Это особенно важно для Jarv, где важны как производительность, так и экономия ресурсов. Технология может быть интегрирована в пайплайны развёртывания, позволяя снизить нагрузку на инфраструктуру.

Источник: The latest research from Google

Похожие материалы

Lobsters · Оптимизация инференса TurboQuant ускоряет инференс моделей на 30% без потери точности Команда Baseten представила TurboQuant — метод оптимизации инференса, который ускоряет работу моделей на 30% без потери точности. Разработчики провели 31 час на математических выкладках, чтобы создать алгоритм, который автоматически выбирает оптимальные параметры квантования для различных моделей. Это особенно важно для агентов, где скорость обработки запросов напрямую влияет на пользовательский опыт. NVIDIA Technical Blog · Инференс и железо Квантование моделей для ускоренного инференса на NVIDIA TensorRT NVIDIA представила новый подход к квантованию моделей, позволяющий превращать FP8-чекпоинты в высокопроизводительные инференс-движки с использованием TensorRT. Этот метод оптимизирует модели для работы на графических процессорах, что особенно важно для разработчиков ИИ-агентов, где скорость и эффективность вычислений играют ключевую роль. The latest research from Google · Оптимизация моделей для ИИ-агентов Sequential Attention: как ускорить модели без потери точности Исследователи Google предложили новый подход к оптимизации трансформеров — Sequential Attention. Он позволяет значительно сократить вычислительные затраты на инференс, не жертвуя точностью. В основе метода лежит идея последовательного внимания: вместо параллельной обработки всех токенов модель фокусируется на одном токене за раз, используя информацию из предыдущих шагов. Это снижает сложность вычислений с O(n²) до O(n log n), что делает модели более эффективными для локального развертывания и работы в реальном времени. Hacker News · Инференс и локальный запуск моделей Snapcompact: компактный инференс моделей локально и бесплатно Команда Can.AI представила Snapcompact — новый подход к компактификации моделей, который позволяет запускать большие языковые модели локально с минимальными затратами ресурсов. Snapcompact использует инновационные методы компрессии, которые сохраняют точность моделей при значительном уменьшении их размера. Это особенно важно для разработчиков ИИ-агентов, так как позволяет развертывать сложные модели на устройствах с ограниченными ресурсами, включая ноутбуки и мобильные устройства. arXiv · Оптимизация работы с моделями кода Как улучшить точность небольших моделей кода без переобучения Исследователи из DeepSeek и других организаций представили новый подход к повышению точности небольших моделей кода без необходимости их переобучения. В работе рассматриваются так называемые «замороженные» модели кода (с параметрами ≤45 миллионов), которые не поддаются стандартным методам улучшения качества вывода. arXiv · Оптимизация моделей для ИИ-агентов Persona-Pruner: как облегчить ИИ-агентов для ролевых игр Исследователи из MIT и других университетов представили Persona-Pruner — метод оптимизации языковых моделей для ролевых взаимодействий. Технология позволяет значительно сократить размер моделей, сохраняя их способность к ролевой игре. Это особенно важно для систем с множеством NPC (неигровых персонажей), где вычислительные затраты становятся критическими. arXiv · Инференс и железо Оптимизация INT8 вычислений для диффузионных трансформеров на потребительских GPU Исследователи из Ideogram представили новый подход к оптимизации инференса диффузионных трансформеров на потребительских GPU. В статье, опубликованной на arXiv, они показывают, что посттрейнинговая квантование в INT8 (W8A8) часто оказывается медленнее, чем альтернативы в FP8 и NF4, несмотря на ожидания. Это связано с тем, что в текущих реализациях веса и активации квантуются только для того, чтобы сразу же деквантоваться обратно в bf16 и выполнять матричное умножение в этом формате. arXiv · Трансформеры и обработка сложных данных Трансформеры для решения уравнений на сложных геометриях Исследователи из MIT и других ведущих университетов представили новый подход к использованию трансформеров для решения задач, связанных с дифференциальными уравнениями на сложных геометриях. Традиционные методы, основанные на нейронных операторах, ограничены фиксированным размером области, что затрудняет их применение в реальных сценариях, где размеры могут варьироваться. NVIDIA Technical Blog · Многоагентные системы в квантовой финансовой аналитике Как многоагентные системы автоматизируют поиск финансовых сигналов NVIDIA представила исследование, в котором показано, как многоагентные системы могут автоматизировать и оптимизировать процесс поиска финансовых сигналов в квантовой аналитике. В статье рассматривается архитектура, которая использует несколько агентов для анализа данных, выявления паттернов и принятия решений на основе этих сигналов. NVIDIA Technical Blog · Инференс и оптимизация DynoSim: инструмент для оптимизации развёртывания LLM NVIDIA представила DynoSim — инструмент для моделирования и оптимизации развёртывания больших языковых моделей (LLM). Основная проблема при развёртывании LLM заключается в необходимости балансировать множество параметров: выбор бэкенда модели, конфигурацию тензорного параллелизма, распределение между префиллом и декодированием, количество рабочих процессов и многое другое. DynoSim позволяет автоматически исследовать комбинации этих параметров и находить оптимальные конфигурации для конкретных сценариев использования.

← Все материалы