目前大模型在执行推理任务时通常需要消耗大量的存储和计算资源，这主要是由于传统的权重存储方式采用了FP16格式，导致占用空间较大。针对这一问题，研究人员提出了一种名为iFairy的新方案，该方案通过将模型的权重量化为复数集合{+1, -1, +i, -i}的形式，有效降低了对存储空间的需求。 在传统的深度学习模型中，权重通常以浮点数形式进行表示和存储。这种做法虽然能够提供较高的精度，但也带来了存储量大、计算开销高的问题。尤其是在处理大规模模型时，这种情况更加明显。为了解决这一挑战，研究团队开发了一种创新性的量化方法。 通过将权重转换为特定的复数集合{+1, -1, +i, -i}，研究人员成功地将存储空间占用大幅减少。这种方法不仅降低了对硬件资源的需求，还显著提升了推理效率。这种新型的量化技术在保持模型性能的同时，实现了更高效的资源利用。 这项研究展示了通过创新性地调整权重表示方式，可以在不明显影响模型准确性的前提下，有效优化计算和存储资源的使用。这对于推动大模型技术的普及和应用具有重要意义。