في عالم الذكاء الاصطناعي، أصبحت نماذج التحويل التلقائي للصور والفيديو (Diffusion Transformers) تكنولوجيا رائدة، إذ تُظهر قدرة هائلة على إنتاج محتوى بصري متفوق. ومع ذلك، فإن عملية الاستنتاج لهذه النماذج تعتبر مكلفة بسبب حاجة النموذج إلى العديد من الخطوات ومع تزايد عدد المعلمات. في هذا السياق، يبرز مفهوم التكميم بعد التدريب (Post-training Quantization) كحل طبيعي، إلا أن التحديات لا تزال قائمة، خاصةً أن تنشيط نماذج التحويل يتغير عبر الزمن، مما يستدعي إعادة تعديل بيانات المعايرة لكل نقطة تفتيش جديدة.

هنا تأتي OrbitQuant، حيث تشكّل خطوة رائدة في معالجة هذه القضايا. تعتمد OrbitQuant على مبدأ التكميم غير المعتمد على البيانات، مما يعني أنها تتجاوز الحاجة إلى تقدير المدى، وذلك عن طريق التكميم في قاعدة متغيرة ومُعتمدة على التدوير. يُركّز الدوران العشوائي (Randomized Permuted Block-Hadamard) على كل موضع حول هامش ثابت معروفة، مما يتيح استخدام مكتبة واحدة لتشفير (Lloyd-Max) لكافة الخطوات الزمنية والمداخل والمستويات المختلفة.

تُظهر اختبارات OrbitQuant عبر منصات FLUX.1، Z-Image-Turbo، Wan 2.1، وCogVideoX أنها تضع معايير جديدة لتقنية التكميم بعد التدريب بجودة توليد ملحوظة في إعدادات بت منخفضة. كما أنها تدفع حدود تكميم نماذج التحويل للصور إلى W2A4، دون الحاجة إلى تخصيص لكل وضعية بشكل منفصل.

بهذا، تؤكد OrbitQuant على ريادتها في جعل تقنيات الذكاء الاصطناعي أكثر كفاءة وجودة، مما يفتح الأبواب لمزيد من الابتكارات في المستقبل. لذا، ماذا تنتظر؟ انطلق لاستكشاف هذا الابتكار!