BlockDialect: Block-wise Fine-grained Mixed Format Quantization for Energy-Efficient LLM Inference
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Jang, Wonsuk, Tambe, Thierry |
|---|---|
| Format: | Preprint |
| Publié: |
2025
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
SemanticDialect: Semantic-Aware Mixed-Format Quantization for Video Diffusion Transformers
par: Jang, Wonsuk, et autres
Publié: (2026)
par: Jang, Wonsuk, et autres
Publié: (2026)
RaZeR: Pushing the Limits of NVFP4 Quantization with Redundant Zero Remapping
par: Chen, Yuzong, et autres
Publié: (2025)
par: Chen, Yuzong, et autres
Publié: (2025)
Improving Block-Wise LLM Quantization by 4-bit Block-Wise Optimal Float (BOF4): Analysis and Variations
par: Blumenberg, Patrick, et autres
Publié: (2025)
par: Blumenberg, Patrick, et autres
Publié: (2025)
CBQ: Cross-Block Quantization for Large Language Models
par: Ding, Xin, et autres
Publié: (2023)
par: Ding, Xin, et autres
Publié: (2023)
Block Rotation is All You Need for MXFP4 Quantization
par: Shao, Yuantian, et autres
Publié: (2025)
par: Shao, Yuantian, et autres
Publié: (2025)
Progressive Mixed-Precision Decoding for Efficient LLM Inference
par: Chen, Hao Mark, et autres
Publié: (2024)
par: Chen, Hao Mark, et autres
Publié: (2024)
Block-Attention for Efficient Prefilling
par: Ma, Dongyang, et autres
Publié: (2024)
par: Ma, Dongyang, et autres
Publié: (2024)
Four Over Six: More Accurate NVFP4 Quantization with Adaptive Block Scaling
par: Cook, Jack, et autres
Publié: (2025)
par: Cook, Jack, et autres
Publié: (2025)
Fast KVzip: Efficient and Accurate LLM Inference with Gated KV Eviction
par: Kim, Jang-Hyun, et autres
Publié: (2026)
par: Kim, Jang-Hyun, et autres
Publié: (2026)
Saudi-Dialect-ALLaM: LoRA Fine-Tuning for Dialectal Arabic Generation
par: Barmandah, Hassan
Publié: (2025)
par: Barmandah, Hassan
Publié: (2025)
Interactions Across Blocks in Post-Training Quantization of Large Language Models
par: Shabanovi, Khasmamad, et autres
Publié: (2024)
par: Shabanovi, Khasmamad, et autres
Publié: (2024)
On the Role of Temperature Sampling in Test-Time Scaling
par: Wu, Yuheng, et autres
Publié: (2025)
par: Wu, Yuheng, et autres
Publié: (2025)
AgenticCache: Cache-Driven Asynchronous Planning for Embodied AI Agents
par: Kim, Hojoon, et autres
Publié: (2026)
par: Kim, Hojoon, et autres
Publié: (2026)
KVTuner: Sensitivity-Aware Layer-Wise Mixed-Precision KV Cache Quantization for Efficient and Nearly Lossless LLM Inference
par: Li, Xing, et autres
Publié: (2025)
par: Li, Xing, et autres
Publié: (2025)
QEFT: Quantization for Efficient Fine-Tuning of LLMs
par: Lee, Changhun, et autres
Publié: (2024)
par: Lee, Changhun, et autres
Publié: (2024)
EBFT: Effective and Block-Wise Fine-Tuning for Sparse LLMs
par: Guo, Song, et autres
Publié: (2024)
par: Guo, Song, et autres
Publié: (2024)
GeoBlock: Inferring Block Granularity from Dependency Geometry in Diffusion Language Models
par: Wan, Lipeng, et autres
Publié: (2026)
par: Wan, Lipeng, et autres
Publié: (2026)
MF-QAT: Multi-Format Quantization-Aware Training for Elastic Inference
par: Xu, Zifei, et autres
Publié: (2026)
par: Xu, Zifei, et autres
Publié: (2026)
AMAQ: Adaptive Mixed-bit Activation Quantization for Collaborative Parameter Efficient Fine-tuning
par: Song, Yurun, et autres
Publié: (2025)
par: Song, Yurun, et autres
Publié: (2025)
Block Transformer: Global-to-Local Language Modeling for Fast Inference
par: Ho, Namgyu, et autres
Publié: (2024)
par: Ho, Namgyu, et autres
Publié: (2024)
MAGE: All-[MASK] Block Already Knows Where to Look in Diffusion LLM
par: Kwon, Omin, et autres
Publié: (2026)
par: Kwon, Omin, et autres
Publié: (2026)
Optimizing Mixture of Block Attention
par: Xiao, Guangxuan, et autres
Publié: (2025)
par: Xiao, Guangxuan, et autres
Publié: (2025)
APB: Accelerating Distributed Long-Context Inference by Passing Compressed Context Blocks across GPUs
par: Huang, Yuxiang, et autres
Publié: (2025)
par: Huang, Yuxiang, et autres
Publié: (2025)
Beyond Outliers: A Data-Free Layer-wise Mixed-Precision Quantization Approach Driven by Numerical and Structural Dual-Sensitivity
par: Zhang, Hengyuan, et autres
Publié: (2026)
par: Zhang, Hengyuan, et autres
Publié: (2026)
Dialectical Behavior Therapy Approach to LLM Prompting
par: Vitman, Oxana, et autres
Publié: (2024)
par: Vitman, Oxana, et autres
Publié: (2024)
One-Pass to Reason: Token Duplication and Block-Sparse Mask for Efficient Fine-Tuning on Multi-Turn Reasoning
par: Goru, Ritesh, et autres
Publié: (2025)
par: Goru, Ritesh, et autres
Publié: (2025)
Athena: Efficient Block-Wise Post-Training Quantization for Large Language Models Using Second-Order Matrix Derivative Information
par: Wang, Yanshu, et autres
Publié: (2024)
par: Wang, Yanshu, et autres
Publié: (2024)
Thanos: A Block-wise Pruning Algorithm for Efficient Large Language Model Compression
par: Ilin, Ivan, et autres
Publié: (2025)
par: Ilin, Ivan, et autres
Publié: (2025)
Transparent Screening for LLM Inference and Training Impacts
par: Pachot, Arnault, et autres
Publié: (2026)
par: Pachot, Arnault, et autres
Publié: (2026)
LEGO: Language Model Building Blocks
par: Bhansali, Shrenik, et autres
Publié: (2024)
par: Bhansali, Shrenik, et autres
Publié: (2024)
On the Effect of Uncertainty on Layer-wise Inference Dynamics
par: Kim, Sunwoo, et autres
Publié: (2025)
par: Kim, Sunwoo, et autres
Publié: (2025)
Block Sparse Flash Attention
par: Ohayon, Daniel, et autres
Publié: (2025)
par: Ohayon, Daniel, et autres
Publié: (2025)
Sustainable LLM Inference for Edge AI: Evaluating Quantized LLMs for Energy Efficiency, Output Accuracy, and Inference Latency
par: Husom, Erik Johannes, et autres
Publié: (2025)
par: Husom, Erik Johannes, et autres
Publié: (2025)
Prometheus: Inducing Fine-grained Evaluation Capability in Language Models
par: Kim, Seungone, et autres
Publié: (2023)
par: Kim, Seungone, et autres
Publié: (2023)
Block Circulant Adapter for Large Language Models
par: Ding, Xinyu, et autres
Publié: (2025)
par: Ding, Xinyu, et autres
Publié: (2025)
Scaling Laws For Mixed Quantization
par: Cao, Zeyu, et autres
Publié: (2024)
par: Cao, Zeyu, et autres
Publié: (2024)
SliM-LLM: Salience-Driven Mixed-Precision Quantization for Large Language Models
par: Huang, Wei, et autres
Publié: (2024)
par: Huang, Wei, et autres
Publié: (2024)
LEAP: Layer-wise Exit-Aware Pretraining for Efficient Transformer Inference
par: Kapadia, Shashank, et autres
Publié: (2026)
par: Kapadia, Shashank, et autres
Publié: (2026)
SqueezeAttention: 2D Management of KV-Cache in LLM Inference via Layer-wise Optimal Budget
par: Wang, Zihao, et autres
Publié: (2024)
par: Wang, Zihao, et autres
Publié: (2024)
DartQuant: Efficient Rotational Distribution Calibration for LLM Quantization
par: Shao, Yuantian, et autres
Publié: (2025)
par: Shao, Yuantian, et autres
Publié: (2025)
Documents similaires
-
SemanticDialect: Semantic-Aware Mixed-Format Quantization for Video Diffusion Transformers
par: Jang, Wonsuk, et autres
Publié: (2026) -
RaZeR: Pushing the Limits of NVFP4 Quantization with Redundant Zero Remapping
par: Chen, Yuzong, et autres
Publié: (2025) -
Improving Block-Wise LLM Quantization by 4-bit Block-Wise Optimal Float (BOF4): Analysis and Variations
par: Blumenberg, Patrick, et autres
Publié: (2025) -
CBQ: Cross-Block Quantization for Large Language Models
par: Ding, Xin, et autres
Publié: (2023) -
Block Rotation is All You Need for MXFP4 Quantization
par: Shao, Yuantian, et autres
Publié: (2025)