FAIR-Calib: Frontier-bewuste instabiliteitsherwogen kalibratie voor post-trainingkwantisatie van diffusie-large language models

arXiv:2606.06546v1 – Aankondigingstype: nieuw. Samenvatting: Diffusion Large Language Models verfijnen tokens iteratief maar leggen ze onomkeerbaar vast, wat leidt tot een stabiliteitsachterstand waarbij vroege beslissingen kwetsbaar blijven, zelfs nadat ze zijn vastgelegd. We tonen aan dat Post-Training Quantization-fouten deze grensbeslissingen gemakkelijk doen omslaan, waarna ze permanent worden vergrendeld en uitvergroot. Om dit aan te pakken stellen we Frontier-Aware Instability-Reweighted Calibration voor, een kalibratiemethode die deze instabiliteit bij de schrijfgrens gericht aanpakt.