محققان در مطالعه جدیدی به چالش مهم «شکاف پایداری در کوانتایزیشن» (Quantization-Induced Robustness Gap) پرداختند. این مشکل باعث میشود مدلهای هوش مصنوعی که برای اجرای سریع در لبه (Edge) کوانتایز (کمحجم) شدهاند، در مواجهه با شرایط محیطی واقعی مثل نویز سنسور یا شرایط جوی نامساعد، کارایی خود را از دست بدهند.
فریمورک جدید «Recti-Q» با استفاده از یک لایه آداپتور بسیار سبک (کمتر از ۶ کیلوبایت!)، بدون نیاز به تغییر در مدل اصلی، دقت و پایداری مدل را در محیطهای غیرقابل پیشبینی بازیابی میکند. این یعنی رباتهای ما میتوانند با مصرف منابع کم، در شرایط سخت هم هوشمند و دقیق باقی بمانند! 🛠️✨
منبع: arXiv Computer Vision
