T2Quant：按任务与时间步量化扩散语言模型
论文指出扩散语言模型的量化敏感度随任务与去噪时间步变化，并可在无标签条件下预测。T2Quant据此在固定比特预算内分配激活精度，于三种模型、六个基准上最高将平均准确率提升6.7个百分点。价格、国内可用性及更多参数未知。
要点
- 量化敏感度同时依赖下游任务和去噪时间步，且无需真值标签或任务指标即可预测。
- T2Quant在固定比特预算下分配激活精度，实验覆盖三种扩散语言模型和六个基准。
- 相对现有量化方法，平均准确率最高提升6.7个百分点；代码、价格与国内可用性未知。
为什么值得看
扩散语言模型的迭代去噪使量化敏感度随任务和时间步变化，固定精度可能浪费比特或损失准确率；T2Quant用无标签信号在固定预算下分配激活精度，最高提升6.7个百分点。
谁会受影响
面向研究或部署扩散语言模型、需要在固定比特预算下进行激活混合精度量化的研究者与工程团队。
今天就能怎么试
论文于2026年10月22日提交，但代码是否发布、复现参数、价格和国内可用性均未知，目前无法确认可直接试用，且未实测。
原始来源
1Different Tasks, Different Timesteps: Temporal Task-Aware Quantization for Diffusion Language Models · arXiv cs.AI · 2026年10月23日✓ 已打开核对本条由 AI 根据上面的原始来源整理，经编辑审核后发布。数字和结论以原文为准，发现错误欢迎反馈。
相关动态
开放世界模型结合游戏引擎，单卡生成实时可玩画面
Matrix-Game 4.0 让轻量引擎负责规则和状态，视频模型将低多边形画面转成细致视觉，编码智能体则修改场景与玩法。论文报告 RTX 5090 上实现 480p、60 帧交互，按键到显示延迟为 112 毫秒，并宣布开放代码与资产。实时帧率需与响应延迟分开看。
业务智能体基准检查执行过程，完成任务也可能判失败
BizAgentBench 将 789 份知识文档、601 项业务工具和 50 个长流程任务放进可执行环境，既核验最终目标，也检查中间步骤约束。论文显示只看任务完成会掩盖无效操作；HF 早期标题为 BizBench，arXiv 修订版已改名。同时还应记录任务过程中的工具调用成本。
中英密集文字生图基准发布，专测海报长文与布局
UltraText Bench 提供 432 条人工检查的提示，覆盖 24 类真实场景，中英文各半，每张图要求四至十二处文字。评估分别看文字准确、清晰度、空间安排和场景质量，揭示快速模型可能更清晰却更容易写错字的取舍。适合中文海报选型。
AI协助发现PHP高危漏洞，网站维护者面临集中修补
爱范儿梳理 PHP2Shell 漏洞披露与紧急修补过程，介绍 OpenAI 安全研究在构造可复现证据中的作用。事件涉及底层软件广泛使用带来的连锁影响；具体风险取决于运行版本与部署条件，不能把使用 PHP 都等同于已经遭入侵。