Git Stars Git Stars

#post-training-quantization Repositorios

Descubre 12 repositorios activos de código abierto de GitHub etiquetados con #post-training-quantization, que acumulan 21,589 estrellas en total (una media de 1,799 estrellas por proyecto). El líder de este tema es NVIDIA/Model-Optimizer, con 5,646 estrellas.

12
Total de Repositorios
21,589
Total de estrellas
1,799
Promedio de Estrellas/Repo
Lenguajes de programación: Python

12 repositorios en total

1
NVIDIA/Model-Optimizer

Una biblioteca unificada de técnicas de optimización de modelos SOTA como cuantización, destilación, poda, búsqueda de arquitectura neuronal, decodificación especulativa, etc. Comprime modelos de aprendizaje profundo para marcos de despliegue posteriores como TensorRT-LLM, TensorRT, vLLM, etc., para optimizar la velocidad de inferencia.

NVIDIA
⭐ 5,646 Python 👤 NVIDIA Organization 🕐 Actualizado 2026-11-21 📅 Creado 2024-04-23
2
intel/neural-compressor

Cuantización LLM de baja precisión SOTA (INT8/FP8/MXFP8/INT4/MXFP4/NVFP4) y esparcidad; técnicas líderes de compresión de modelos en PyTorch, TensorFlow y ONNX Runtime

intel
⭐ 2,733 Python 👤 intel Organization 🕐 Actualizado 2026-11-20 📅 Creado 2020-07-21
3
AI-Efficiency/Awesome-Model-Quantization

Una colección seleccionada de artículos, benchmarks, revisiones y herramientas sobre la cuantización de modelos, que abarca redes de pocos bits, LLM, modelos multimodales y generativos, cuantización vectorial y de retícula, y despliegue eficiente.

AI-Efficiency
⭐ 2,471 👤 AI-Efficiency Organization 🕐 Actualizado 2026-11-16 📅 Creado 2018-10-18
4
666DZY666/micronet

micronet, una biblioteca de compresión y despliegue de modelos. Compresión: 1、Cuantización: entrenamiento consciente de cuantización(QAT), Alto-Bit(>2b)(DoReFa/Quantization and Training of Neural Networks for Efficient Integer-Arithmetic-Only Inference)、Bajo-Bit(≤2b)/Ternario y Binario(TWN/BNN/XNOR-Net); cuantización post-entrenamiento(PTQ), 8-bit(tensorrt); 2、poda: normal、regular y poda de canales convolucionales en grupo; 3、estructura de convolución en grupo; 4、fusión de normalización por lotes para cuantización. Despliegue: tensorrt, fp32/fp16/in

666DZY666
⭐ 2,270 Python 👤 666DZY666 User 🕐 Actualizado 2025-05-06 📅 Creado 2019-12-04
5
IST-DASLab/gptq

Código para el artículo de ICLR 2023 "GPTQ: Accurate Post-training Quantization of Generative Pretrained Transformers".

IST-DASLab
⭐ 2,241 Python 👤 IST-DASLab Organization 🕐 Actualizado 2024-03-27 📅 Creado 2022-10-19
6
mit-han-lab/smoothquant

[ICML 2023] SmoothQuant: Cuantización post-entrenamiento precisa y eficiente para modelos de lenguaje grandes

mit-han-lab
⭐ 1,576 Python 👤 mit-han-lab Organization 🕐 Actualizado 2024-07-12 📅 Creado 2022-11-17
8
alibaba/TinyNeuralNetwork

TinyNeuralNetwork es un framework eficiente y fácil de usar para la compresión de modelos de aprendizaje profundo.

alibaba
⭐ 881 Python 👤 alibaba Organization 🕐 Actualizado 2026-03-03 📅 Creado 2021-11-02
9
nunchaku-ai/deepcompressor

Caja de herramientas de compresión de modelos para modelos de lenguaje grandes y modelos de difusión

nunchux-ai
⭐ 799 Python 👤 nunchux-ai Organization 🕐 Actualizado 2025-08-14 📅 Creado 2024-05-06
10
SqueezeAILab/SqueezeLLM

[ICML 2024] SqueezeLLM: Cuantización densa y dispersa

SqueezeAILab
⭐ 710 Python 👤 SqueezeAILab Organization 🕐 Actualizado 2024-08-13 📅 Creado 2023-06-12
11
microsoft/VPTQ

VPTQ, un algoritmo de cuantificación flexible y de bits extremadamente bajos

microsoft
⭐ 683 Python 👤 microsoft Organization 🕐 Actualizado 2026-08-04 📅 Creado 2024-08-13

Preguntas frecuentes

1

¿Cuál es el repositorio de #post-training-quantization más popular en GitHub?

El proyecto de código abierto de #post-training-quantization mejor posicionado en GitHub es NVIDIA/Model-Optimizer, con 5,646 estrellas. Una biblioteca unificada de técnicas de optimización de modelos SOTA como cuantización, destilación, poda, búsqueda de arquitectura neuronal, decodificación especulativa, etc. Comprime modelos de aprendizaje profundo para marcos de despliegue posteriores como TensorRT-LLM, TensorRT, vLLM, etc., para optimizar la velocidad de inferencia.

2

¿Qué lenguajes de programación se utilizan más en los repositorios de #post-training-quantization?

Entre los proyectos de #post-training-quantization mejor posicionados en GitHub, los lenguajes de programación más comunes son Python.

3

¿Cómo se calcula la clasificación de los repositorios de #post-training-quantization?

Seguimos 12 repositorios activos de código abierto etiquetados con #post-training-quantization (500+ estrellas), que suman un total de 21,589 estrellas, con una media de 1,799 estrellas por repositorio. Las clasificaciones se actualizan diariamente a partir de la API de GitHub.