概念
别名：Quantization-Aware Training
一种优化模型内存需求的技术，同时保持模型质量。
已跟踪 3 条高相关材料
最近变化
2026-06-05 · Gemma 4 QAT模型在Ollama和Hugging Face上线，支持多种模型大小。
为什么值得关注
QAT 被反复提及时，通常意味着它正在影响产品路线、开发者工作流或 AI 产业判断。这个页面把分散材料合并成一个可持续更新的观察入口。
Gemma 4 Quantization-Aware Training (QAT) weights are now available on Ollama! They reduce memory ...
ollama(@ollama) · 8.5 分
Gemma 4 QAT模型在Ollama和Hugging Face上线，显著降低内存需求并保持模型质量。
Gemma 4 QAT models: Optimizing model compression for mobile and laptop efficiency
The Keyword (blog.google) · 8.5 分
Google推出Gemma 4 QAT模型，通过量化训练优化移动设备效率，内存占用降低至1GB。
New @GoogleGemma 4 QAT (Quantization-Aware Training) checkpoints are here, so you can run models loc...
Google AI Developers(@googleaidevs) · 7.2 分
Google 发布了 Gemma 4 的 QAT 检查点，支持在消费级 GPU 和移动设备上以 Q4_0 GGUF 格式运行，内存占用低于 1GB，保持高质量推理。
已收录 3 条与 QAT 相关的内容，按评分排序。
Gemma 4 QAT模型在Ollama和Hugging Face上线，显著降低内存需求并保持模型质量。
入选理由：Gemma 4 QAT模型在Ollama和Hugging Face上线，支持多种模型大小。
Google推出Gemma 4 QAT模型，通过量化训练优化移动设备效率，内存占用降低至1GB。
入选理由：QAT技术使Gemma 4 E2B模型内存占用降至1GB
Google 发布了 Gemma 4 的 QAT 检查点，支持在消费级 GPU 和移动设备上以 Q4_0 GGUF 格式运行，内存占用低于 1GB，保持高质量推理。
入选理由：Gemma 4 QAT 检查点采用 Q4_0 GGUF 格式，兼容所有尺寸模型，提升本地推理性能。
