UniCompress：将多LoRA专家压缩为单一紧凑模型

研究团队发布 UniCompress 论文，提出一个面向部署的压缩框架，把多任务多 LoRA 专家的能力合并压缩为一个无适配器的单一紧凑模型，基于 Qwen3-VL-4B 教师、以非对称 INT2 量化得到学生模型。据论文称，该方法将权重存储从 BF16 的约 8.9 GB 降至 INT2 的约 2.1 GB（约减少 76%），INT2 宏任务得分比 GPTQ-INT2 高 34.3 个百分点，与合并后的 BF16 教师相差不超过 0.9 分。该方法面向边缘智能等部署场景。

AI 根据报道生成 · 55 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。