ما الذي يقدّمه
تُعنى المهارة بضغط النماذج اللغوية الكبيرة عبر تكميم الأوزان إلى 4 بت، مع مراعاة قيم التنشيط في عملية التكميم.
يلجأ إليها المطوّرون عند نشر نماذج يتراوح حجمها بين 7 و70 مليار معامل على ذاكرة GPU محدودة، أو عندما يريدون استدلالاً أسرع من طريقة GPTQ مع حفاظ أفضل على الدقة. وتشمل الاستخدامات أيضاً النماذج المضبوطة على التعليمات والنماذج متعددة الوسائط.
يذكر الناشر أن الطريقة تحقق تسريعاً بمقدار 3 أضعاف مع فقدان ضئيل في الدقة، وأن العمل فاز بجائزة أفضل ورقة بحثية في MLSys 2024. تُتاح المهارة ضمن مستودع claude-code-templates بموجب رخصة MIT.
الأمان
لم يراجع فريقنا هذا المورد. فحصته قواعد آلية فقط، واستُبعدت الموارد التي رصدت فيها إشارات خطر عالية. هذه إشارات وليست ضمانًا بأن التثبيت آمن. جرّبه أولًا في مشروع تجريبي.
- ينفّذ شيفرة أو يغيّر سلوك المساعد
المصادر
- AI Templates (aitmpl) رُصد أول مرة 13 نوفمبر 2026 · آخر رصد 18 نوفمبر 2026 · صفحته في المصدر · أرقام يذكرها المصدر: aitmpl downloads 26
optimization-awq
Activation-aware weight quantization for 4-bit LLM compression with 3x speedup and minimal accuracy loss. Use when deploying large models (7B-70B) on limited GPU memory, when you need faster inference than GPTQ with better accuracy preservation, or for instruction-tuned and multimodal models. MLSys 2024 Best Paper Award winner.
v1.0.0كما ظهر في www.aitmpl.com عند آخر قراءة لنا