Awesome-Model-Quantization

一页看全模型量化论文、工具与部署方案

开源 free 模型训练

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 2456

维护状态活跃

是否开源是

定价模式 free

项目预览

项目数据

分类模型训练

开发团队AI-Efficiency

所属国家

官网地址

GitHubhttps://github.com/AI-Efficiency/Awesome-Model-Quantization

定价模式free

价格说明开源免费资源合集

访问状态

是否开源是

开源协议

主要语言

技术栈/模型awesome,awesome-list,awesome-lists,binarization,binary-neural-networks,data-free-quantization,diffusion-models,efficient-inference,kv-cache,kv-cache-quantization,large-language-models,large-language-models-llms,lattice-quantization,low-precision,model-quantization,multimodal,post-training-quantization,quantization-aware-training,quantizations,vector-quantization

GitHub 星标★ 2456

30天Star增速

HF 下载量

上线时间2018-10-18 00:00:00

代码更新—

仓库体积—

本站数据更新—

维护状态活跃

中文支持

访问方式

移动端支持

综合评分

收录时间2026-10-17

浏览次数0

项目介绍

这是一个专注于模型量化领域的精选资源合集，系统整理了论文、基准测试、综述和工具。量化是压缩神经网络的核心技术，通过降低权重和激活值的数值精度来减少模型体积、加速推理并降低能耗。该项目覆盖低比特网络、大语言模型、多模态与生成模型，以及向量量化和格量化等方向，还包含无数据量化、二值神经网络等细分主题。对于研究者，它省去了在多个会议和期刊间反复检索的时间；对于工程师，它提供了从算法选型到高效部署的参考路径。项目以 awesome 列表形式组织，按主题分类，便于快速定位特定技术路线。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

正在加载星标数据…

技术标签

使用教程

—

难度：入门约 5 分钟部署方式：本地安装 5 步

⚠ 该项目 README 未提供完整安装说明，以下步骤为通用流程，请以官方文档为准。

环境要求

可访问 GitHub 的网络环境
已安装 Git（用于克隆仓库）
任意 Markdown 阅读器或浏览器

安装与启动步骤

1克隆资源仓库

把整个 awesome 列表拉到本地，README 未提供安装步骤，克隆后即可离线阅读全部内容。
```
git clone https://github.com/AI-Efficiency/Awesome-Model-Quantization.git
```
2打开 README 导航

阅读 Quick Navigation 章节，从 Research Landscape、Representative Works、Benchmarks 等入口快速定位主题。
3按年份检索论文

Papers by Year 覆盖 2014 至 2026，点击对应年份链接即可查看该年收录的量化论文。
4查阅综述与基准

Benchmarks、Survey Papers、Books、Related Repositories 等章节汇总了评测基准与相关资源库。
5参与贡献

参考 Contributing / Scope 章节的收录范围说明，按要求提交新的论文或工具链接。

如何确认成功

克隆目录中出现 README.md，打开能看到 Quick Navigation 目录与各年份论文列表，即表示资源获取成功。

常见问题

Q：这个项目需要安装依赖或配置环境吗？

A：不需要。它是 awesome 形式的资源合集，仓库内只有 Markdown 文档，克隆后用浏览器或 Markdown 阅读器打开即可。

Q：找不到某篇量化论文怎么办？

A：先到 Papers by Year 对应年份下查找，若无结果再看 Benchmarks、Survey Papers 或 Representative Works 等分类章节。

Q：可以提交新的论文或工具吗？

A：可以。README 设有 Contributing / Scope 章节，按其收录范围说明提交 Pull Request 即可。

Q：有可运行的代码或模型权重吗？

A：没有。README 只汇总论文、基准、综述和开源实现的链接，具体代码需到对应论文或第三方仓库获取。

注意事项

本项目是精选资源列表，不提供可执行的量化代码、脚本或模型权重。
列表中大量链接指向外部论文与第三方仓库，可用性由对应项目方维护。
资源列表持续更新，建议定期执行 git pull 获取最新收录内容。

核心亮点

按低比特网络、LLM、多模态、向量量化等主题分类，检索效率高
同时收录论文、基准、综述和工具，兼顾研究与工程落地
覆盖无数据量化、二值网络、扩散模型等前沿细分方向

不足之处

仅做链接聚合，缺少对每篇论文或工具的核心结论摘要
更新频率和收录完整性依赖维护者，社区贡献机制待观察

适用场景

研究者快速调研量化领域最新进展
工程师为端侧或云端推理选择量化方案
学生入门模型压缩与高效部署方向

替代项目

Awesome-Model-Compression、Awesome-LLM-Quantization

上一篇：brevitas

下一篇：optimum-quanto