2 比特是膝点：说话人确认中量化误差从哪里来、如何翻转判决

英文题目：On Low-Bit Quantization Errors in Speaker Verification: Diagnostic and Mitigation

会议身份：conference:odyssey:2026:conference-paper-id:leguillier26b_odyssey

✅ 来源为官方会议 PDF；表格与 Figure 按原文证据绑定。PDF 公式以原页区域图片展示，未冒称作者原始 TeX。

会议来源：官方记录 · 官方 PDF

标签：#模型量化 #高效推理 #鲁棒性 #说话人验证

评分：7.7/10 | 创新 1.2/2 | 技术严谨 1.0/1.5 | 实验充分 1.2/1.5 | 清晰度 0.8/1 | 影响力 1.0/1.5 | 开源 1.2/1.5 | 可复现 0.3/0.5 | 工程/实践 1.0/1.5

排名：前25% | 文档类型：方法研究

👥 作者与机构

• Hugo Leguillier：机构信息未能从会议 PDF 纯文本可靠映射
• Driss Matrouf：机构信息未能从会议 PDF 纯文本可靠映射
• Guillaume Lechien：机构信息未能从会议 PDF 纯文本可靠映射
• Mickael Rouvier：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

说话人验证的输入为不定长注册与测试语音，输出为余弦相似度分数与是否同人的二值判定，实际难点是低比特量化在域偏移下引发结构化分数漂移而非均匀退化。该工作先以均匀K均值量化感知训练在ResNet-36与ResNet-200上构建4比特、3比特和2比特模型，为跨架构与跨位宽比较提供统一失真来源。基于上述量化模型，接着做阶段保留敏感性分析，将除目标阶段外全量化为2比特并观察性能回升，以定位脆弱中间层及其域相关分布。基于定位到的脆弱层分布，然后量化全量与仅测试端分数漂移及有害翻转与FP32裕量的关系，揭示近阈值试验最易被翻转且跨精度分数仍高度相关。据此在VoxTube上学习等距回归校准并以双阈值多精度级联先用2比特评分，仅将模糊试验上送至3比特与4比特，这与已有整体报EER的压缩评估不同，把层级失真与分数空间决策风险显式衔接，使高精度推理只用于模糊试验。在全局平均评测设置下，级联模型的EER为3.947%，低于纯2比特模型的EER 4.293%。该结论在域内与CN-Celeb及CommonBench外域评测下仍成立，但其适用边界受限于校准阈值在域偏移下会推高上送率。级联以平均序列精度成本降低单次试验计算量，但需驻留多套模型而增加存储负担，且其逐试验重评路径会带来额外推理开销与延迟。

🔗 开源与复现资源

• 代码相关资源：https://github.com/kiwano-toolkit/kiwano — 链接可访问（HTTP 200） 预印本/扩展版链接未在会议页展示；会议版来源见页首官方记录与 PDF。 可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

🧭 深度解读

输入是什么、目标是什么：为什么要研究低比特量化误差？

本文输入是说话人确认系统的完整链路，目标是解释低比特量化带来的性能损失从哪里产生、如何影响判决，并给出可复述的缓解方法。说话人确认的任务是验证一段测试语音与注册语音是否来自同一说话人，初学者可以白话理解为声纹比对。系统先用神经编码器把变长语音变成定长向量，这个向量称为说话人嵌入，英文为 speaker embedding，后文简称嵌入；再用打分后端比较两个嵌入，例如计算余弦相似度得到试次分数，最后与阈值比较输出接受或拒绝。

近年来残差网络、英文为 ResNet，以及强调通道注意力的时延神经网络等结构显著提高了精度，但模型变大变重，难以直接部署到嵌入式或资源受限设备。量化把浮点权重替换为少量离散等级，直接减少内存与算术开销，不需要重新设计嵌入提取器，因此成为轻量化路线之一。已有工作报告 8 比特或 4 比特容忍度较好，但多用等错误率、英文为 Equal Error Rate、简称 EER，或最小检测代价、英文为 minimum Detection Cost Function、简称 minDCF 等聚合指标，没有说明误差在网络内部是否均匀、是否造成结构化判决错误，也缺少跨域评估。

本文要保留的关键信息是研究对象为均匀 K 均值量化感知训练、英文为 K-Means Quantization-Aware Training、简称 KMQAT 下的 ResNet-36 与 ResNet-200，比特数为 4、3、2 比特，评估覆盖域内与域外，输出包括层级诊断、分数级诊断与多精度级联。本文解读按学习依赖展开，先讲任务与相关路线，再讲方法全景与组件计算，然后讲训练与评估条件，最后讲结果、反证与复现。

已有轻量化路线做了什么、本文与它们如何对照？

轻量化说话人确认已有紧凑结构、非对称注册验证流水线、知识蒸馏与量化等路线。按同输入、同目标、同监督、同运行阶段对照，本文属于模型压缩中的量化分支，与知识蒸馏不同，蒸馏需要教师与学生之间的表示迁移，量化直接压缩同一主干的权重表示。本文建立在刘等人提出的自适应 K 均值量化感知训练框架之上，该框架构造层特定质心并自然扩展到混合精度与多阶段微调、英文为 multi-stage fine-tuning、简称 MSFT。

原文指出此前 KMQAT 与 MSFT 论文引入了方法与训练策略，但就作者所知没有在论文版本中引用公开代码发布，而本工作使用 Kiwano 工具包实现完整训练、量化、嵌入提取与打分流水线，当前可用状态以资源清单为准，其中代码资源显示可用，另有两个第三方预印本链接显示可用。先前量化评估多报告 EER、模型大小或计算代价，缺少层内不均匀性与跨域泛化证据；跨语言评估虽在 CN-Celeb 上出现过，但跨多个域外语料的系统分析仍少见。

本文因此同时评估域内 VoxCeleb 基准与域外 CommonBench、CN-Celeb，教学例子是把域内比作与训练同分布的干净英文采访语音，把域外比作语言、信道或采集条件变化后的更难测试，例子不附加无源数值。相关工作的对照结论是本文不提出全新量化算子，而是把受控均匀量化当作实验框架，重点补齐层级敏感性与分数级决策分析。

要回答的具体问题是什么：退化多少、在哪里、如何翻转判决？

本文把低比特退化分解为 3 个可核对问题。第一是系统级问题：4、3、2 比特中哪个区间是主要退化区间，是否值得做更细的内部分析。第二是层级问题：退化是否可归因于权重失真本身，哪些阶段对 2 比特最敏感，是否有选择性保留全精度的缓解空间。第三是分数与判决问题：分数漂移随精度如何演变，有害判决翻转是否均匀分布在分数空间，还是集中在浮点阈值附近。原文明确提出不仅要知道损失多少，还要知道退化在何处产生以及如何影响决策。

关键术语先白话解释：分数漂移指同一试次用量化模型代替浮点模型后分数的变化量；有害翻转指该变化把浮点系统的正确二分类改错；浮点裕量指浮点分数到浮点阈值的绝对距离，距离小表示模糊。本文限定均匀逐层量化，每层共享一个码本与一个学习缩放因子，比特数决定质心数，2 比特对应 4 个等级。问题边界是只研究权重低比特化对嵌入与余弦打分的影响，不涉及对打分后端本身的重设计，也不承诺延迟与误判率之外的未测量指标自动改善。

方法全景：一个试次如何走完量化系统的输入到输出？

沿一个试次走完流程有助于建立全景。输入是注册与测试两段语音，先提取 80 维对数梅尔滤波器组特征，切分为训练用的语音段，推理时提取整段嵌入。嵌入提取器为 ResNet 主干加池化与嵌入层，输出 256 维说话人嵌入；两个嵌入做余弦相似度得到试次分数，再与阈值比较输出判决。在量化实验中，浮点权重矩阵被替换为缩放后的离散指派，推理时用量化权重提取嵌入，其余打分流程不变。

训练分 2 个阶段：先在 VoxCeleb2 上训练浮点模型，再以浮点检查点初始化 KMQAT 并对 4、3、2 比特分别微调。评估分域内 VoxCeleb1-O、E、H 与域外 CommonBench、CN-Celeb，指标为 EER 与 minDCF，其中 minDCF 参数为目标先验 0.01、漏检与虚警代价均为 1，指标越小越好。诊断分两层：层级通过选择性保留某阶段为全精度观察性能恢复量，恢复越大说明该组件越敏感；分数级通过全量漂移与仅测试端漂移、漂移均值与阈值条件翻转率刻画误差结构。缓解方法为校准多精度级联，先用 2 比特处理全部试次，仅把校准后靠近阈值的模糊试次升级到更高精度重打分。

组件与计算：码本、缩放与离散指派如何协同？

本节承担把 KMQAT 组件讲清楚的教学任务。白话说，码本是每层可用的少量代表值集合，缩放因子是把归一化代表值放大回权重尺度的可学习系数，离散指派是每个浮点权重选择最近代表值的查表动作。英文分别为 codebook、scale、assignment，后文简称码本、缩放、指派。初始化时先丢弃外层权重离群点，仅保留中央部分分布，再按等质量划分区间并以区间经验均值初始化质心，最后重缩放到归一化范围；原文量化微调统一使用保留比 0.9，即丢弃外层 10% 离群点，并使用对称质心重缩放与等质量划分。

训练中每个标量权重先除以缩放映射到归一化空间，再选最近质心，重构为缩放乘以选中质心，逐层堆叠得到量化张量。前向用量化权重计算，反向用直通估计器、英文为 straight-through estimator、简称 STE 让梯度流向底层浮点权重与缩放因子，并周期性重指派质心索引以保持离散代理与演化中浮点权重一致。监督来源仍为附加角裕度损失、英文为 Additive Angular Margin loss、简称 AAM 损失，量化阶段只量化前向权重，不改变损失形式。

说话人确认 × 说话人嵌入： 说话人确认负责判断两段语音是否为同一人，说话人嵌入负责把变长语音映射为定长向量以便用余弦相似度打分；二者搭配的原因是嵌入把声学差异压缩为可比的几何距离，确认则在该距离上设阈值做二分类，组合后量化误差先污染嵌入再传导为分数漂移和判决翻转。

K 均值量化感知训练 × 直通估计器： K 均值量化感知训练负责为每层学习少量质心与缩放因子以重构权重，直通估计器负责让梯度绕过不可微的离散指派传回底层浮点权重与缩放因子；搭配理由是前者提供可学习的低比特表示，后者提供可优化的梯度路径，组合后才能在保持角裕度损失监督的同时完成 4、3、2 比特微调。

分数漂移 × 有害翻转： 分数漂移负责度量同一试次在量化模型与浮点模型下余弦分数之差，有害翻转负责度量该漂移是否把浮点系统的正确判决改错；搭配原因是漂移大小本身不直接等于错误，只有结合试次到阈值的距离才决定是否越界，组合后才能解释为何平均漂移不大但近阈值试次大量翻转。

等温回归校准 × 多精度级联： 等温回归校准负责把低比特分数单调映射到浮点分数尺度以便共用阈值比较，多精度级联负责先用 2 比特处理全部试次再把模糊试次升级到 3 或 4 比特重打分；搭配原因是校准统一了跨精度的距离定义，级联利用了误差集中在阈值附近的结构，组合后多数简单试次低成本通过、少数模糊试次才付高精度代价。

均匀量化 × 混合精度微调： 均匀量化负责全网使用同一比特数以便做受控的退化分析，混合精度微调负责按预设比特分配逐阶段量化以稳定激进低比特适配；搭配原因是前者暴露哪一层最脆弱，后者利用该先验保留关键层精度，组合意义在于区分平均计算代价与常驻内存两种资源约束下的不同部署选择。

分数级度量如何定义：全量漂移、仅测试端漂移与阈值距离？

本节承担把分数级度量讲到可复述的任务。记浮点注册加浮点测试的分数为浮点分数，量化注册加量化测试的分数为量化分数，则全量漂移定义为后者减前者，反映双端都量化时的总扰动。仅测试端漂移定义为浮点注册加量化测试的分数减浮点分数，用于隔离测试端量化的贡献。原文报告平均绝对值统计，分别记为全量平均绝对漂移与仅测试端平均绝对漂移。

为研究判决影响，定义浮点裕量为浮点分数到浮点等错误率阈值的绝对距离，阈值按子集独立估计；裕量小表示试次在浮点系统下已接近决策边界。关键思想是同样大小的漂移对远阈值试次通常无影响，但足以翻转近阈值试次，因此需要按裕量分箱统计有害翻转率。

校准级联中另定义校准分数为低比特分数经单调等温映射后的值，校准距离为校准分数到开发集估计的浮点阈值的绝对距离，单调性保证排序不变，域偏移主要表现为升级率上升而非排序颠覆。组合机制已在概念桥中说明，此处沿样本复述：一个近阈值试次先产生中等漂移，再因裕量小而越界，最后被级联规则捕获并升级重打分。

训练与构造如何执行：数据、优化与量化微调的条件是什么？

本节承担交代可复现训练条件的任务。所有实验使用 Kiwano 工具包，工具包实现训练、量化、嵌入提取与打分全流水线。浮点训练数据为 VoxCeleb2，输入为 80 维对数梅尔滤波器组，嵌入维度 256，每批含 512 个随机裁剪的 3.5 秒语音段，标准数据增强遵循已有 x 向量工作并使用 MUSAN 噪声库与模拟房间脉冲响应。模型训练 42 轮，损失为 AAM 损失，优化器为带动量 0.9 的随机梯度下降，权重衰减为 0.0002，前 2 阶段启用压缩激励模块、英文为 Squeeze-and-Excitation。所得浮点模型作为量化感知训练初始化。

量化实验对 4、3、2 比特分别微调 40 轮，目标仍为 AAM 损失，前向经量化过程，仅权重量化，保留比 0.9，对称质心重缩放，等质量划分，该阶段关闭数据增强。此外还用 MSFT 训练混合精度模型，按预设比特分配逐层渐进量化以稳定激进低比特适配。架构上 ResNet-36 与 ResNet-200 共享阶段宽度 128、128、256、256 与残差块设计，仅每阶段块数不同，前者为 3、4、6、3，后者为 3、24、36、3，便于在主要改变深度的受控条件下比较量化行为。原文未报告逐层梯度范数或质心演化曲线等细节，缺项即缺项，不从模型名推定实现。

实验条件如何保证可比：评估集、指标与基线是什么？

本节承担讲清比较公平性的任务。评估分为域内与域外两类，域内为清洗后的 VoxCeleb1-O、E、H，域外为 CommonBench 与 CN-Celeb，试次分数均用嵌入间余弦相似度计算。指标为 EER 与 minDCF，minDCF 参数固定，数值越小越好，相对变化相对同一架构浮点基线计算。基线包括各自架构的 32 比特浮点模型与全网均匀 4、3、2 比特模型，缓解策略包括 MSFT 混合精度单模型与本文校准级联，级联门限在 VoxTube 开发集上按 EER 与代价权衡选择，评估时固定，避免在 VoxCeleb 相关子集上校准再评估带来的乐观偏差。

层级诊断采用选择性保留协议：全网 2 比特、仅一个阶段或嵌入层保留全精度，恢复量大则敏感性高。分数诊断区分全量与仅测试端漂移，并按浮点裕量分箱统计有害翻转。内存分析区分检查点存储与可部署压缩表示，后者假设量化索引按比特打包、码本与偏置用 16 比特浮点存储、批归一化参数与统计量保持 32 比特浮点。

硬件预算方面原文仅致谢法国 GENCI 在 Jean Zay 超算的计算与存储资源，未给出逐实验耗时与推理延迟，推理开销与内存需分别讨论，不能把平均比特数直接当作延迟承诺。

主结果：2 比特为何是膝点，分布图显示了什么收缩？

本节承担呈现系统级退化主结果的任务。比较问题是均匀比特数下降时性能是否单调缓慢退化，公平条件是同一架构、同一训练与评估流水线，仅比特数不同，指标方向为等错误率越小越好，最小检测代价越小越好，其中等错误率以% 计，最小检测代价为无量纲值。下表整理原文报告的域内平均结果，保留浮点基线与 3 个可运行均匀量化策略，便于核对膝点判断。表前说明已满足比较问题与公平条件，表后将解释主要收益与代价。

表后解释如下。原文报告显示 4 比特与 3 比特接近浮点、2 比特明显恶化：ResNet-36 域内平均等错误率从 1.234% 经 1.278%、1.297% 到 1.462% 逐步抬升，最小检测代价从 0.118 经 0.124、0.123 到 0.146 同样在 2 比特跳变；ResNet-200 域内平均等错误率从 0.984% 经 1.076%、1.081% 到 1.127%，趋势一致且绝对性能更强。其中域内 VoxCeleb1-H 难度最高，原文指出其受影响最大；域外绝对难度更高且行为更异质，CommonBench 的等错误率以% 计、最小检测代价为无量纲值，均随比特下降稳步恶化。

CN-Celeb 在 ResNet-36 上等错误率以% 计接近浮点、而最小检测代价仍上升，提示量化可能先影响校准再影响区分。未胜出项是均匀 2 比特在所有条件下均非最优，尤其在难集与域外上代价集中，这是后文做层级与分数诊断的动机。 以下导读针对本次收到像素的分数分布图，帮初学者先建立要观察的对象与条件。

该图为 ResNet-36 在 VoxCeleb1-H 全量低比特下的 2 比特与浮点对比，横轴为分数，纵轴为密度，左侧紫色为非目标分布，右侧绿色为目标分布，虚线为浮点，实线为 2 比特，中间有浮点等错误率阈值与类均值标记。

看图路径： 1. 先看横轴分数与纵轴密度，确认左侧紫色为非目标、右侧绿色为目标；2. 对比同色虚线与实线，确认 2 比特相对浮点的偏移方向；3. 观察中间阈值竖线附近两类分布的重叠是否扩大；4. 读出图上标注的两类均值偏移数值并对应到收缩的类间间隔

论文图 1。原论文 Figure 1：“ResNet-36 score distributions on VoxCeleb1-H in the full low-bit setting. Dashed: FP32; solid: 2-bit. Non-target scores drift upward and target scores drift downward.”。

解释图中可见内容如下。2 比特使非目标分布上移、目标分布下移，两类均值向中间收缩，阈值附近重叠增大，这直接对应判决更脆弱。图上标注非目标偏移为 +0.0174、目标偏移为 -0.0189，数值含义为类均值层面的系统性收缩，而非单个试次漂移。像素可辨的结论止于方向与重叠扩大，不硬读曲线上未标注的精确密度值。原文进一步指出该收缩解释了为何近阈值试次更易翻转，而远阈值试次仍稳定。

层级消融：保留哪个阶段为全精度能恢复最多？

本节承担定位脆弱组件的教学任务。比较问题是 2 比特退化是否均匀分布在网络中，公平条件是全网 2 比特、每次仅一个阶段或嵌入层保留全精度，其余量化，指标仍为 EER 与 minDCF 越小越好。原文报告显示敏感性高度非均匀，且随架构与评估域变化。对 ResNet-36，总体平均恢复最大的是保留第 2 个阶段，其次为第 3 个阶段；域内最关键为第 3 个阶段、嵌入层次之。

域外最关键为第 2 个阶段、第 4 阶段次之。对 ResNet-200，总体与域外均为第 3 阶段最关键、第 2 阶段次之，域内第 3 阶段主导、嵌入层次之。由于第 2、3 阶段包含大量残差块，其敏感性既反映表示重要性，也反映量化参数占比大。两个一致的反例值得记住：其一是第 1 阶段从未进入最敏感之列，提示早期低层特征提取对 2 比特相对鲁棒；其二是嵌入层在域内对两架构都重要，提示匹配条件下最终说话人表示的作用突出。

这些结果支持把中后部大阶段作为混合精度保留的天然候选，但也说明不存在跨一切条件的单一最优层，域偏移会改变排序。下表为有害翻转随裕量的条件统计，用于衔接下一节的分数级消融，表前问题是漂移是否均匀转化为错误，公平条件是同一 VoxCeleb1-H 与浮点阈值，指标为有害翻转率越小越好。

表后解释如下。该表显示翻转高度集中在近阈值区间，ResNet-36 在 2 比特下最近箱翻转率约 0.2389，中间箱降至 0.0335，远阈值箱仅约万分之一量级；ResNet-200 趋势相同，最近箱约 0.2204，远阈值箱低至十万分之一量级。4 与 3 比特在近阈值箱仍有约 0.20 量级翻转，但在远箱迅速衰减。这支持多数试次可在低精度安全处理、仅窄带模糊试次需额外照顾的判断，也为级联只升级近阈值试次提供直接依据。

分数消融：漂移随比特如何放大，仅测试端占多少？

本节承担量化分数扰动随精度演变的教学任务。比较问题是平均漂移是否在 2 比特出现膝点，以及仅量化测试端是否已占总扰动大头，公平条件是同一嵌入与余弦打分流程，仅双端或单端量化不同，指标为平均绝对漂移越小越好。下表整理原文报告的域内与域外平均绝对漂移，保留浮点参考下的全量与仅测试端两种定义。表前已说明比较问题与指标方向，表后将给出代价与限制。

表后解释如下。原文显示漂移随精度下降增大且在 2 比特出现清晰膝点，ResNet-36 全量漂移从 4 到 2 比特约 2.05 倍，仅测试端约 2.58 倍；ResNet-200 增幅较温和但方向一致。仅测试端漂移始终接近全量漂移，ResNet-36 在 2 比特下二者几乎相当，说明仅量化测试端已贡献大部分扰动，这对非对称部署有提示意义。域外漂移绝对值更大，符合域外更难的观察。

限制是平均漂移不能直接推出错误率，因为远阈值试次容忍大漂移，近阈值试次小漂移即翻转；原文用阈值条件翻转率补齐了这一环。另一细节是 2 比特与浮点分数仍高度相关，ResNet-36 在 VoxCeleb1-H 与 VoxTube 上皮尔逊相关分别达 0.992 与 0.986，这支持用低比特分数排序近似浮点排序并做阈值门控。

级联消融：校准门控如何路由，平均代价是多少？

本节承担讲清可部署级联行为的任务。比较对象包括浮点、均匀 2 比特、MSFT 与级联，公平条件是同一评估集与同一阈值估计逻辑，级联门限在 VoxTube 上选定后冻结。路由规则为先算 2 比特校准距离，大于阈值则在 2 比特解决，否则用 3 比特重打分再判断，仍模糊则用 4 比特重打分。平均顺序代价定义为全部试次付 1 次 2 比特，加上需升级部分再付 3 比特，最模糊部分再付 4 比特。原文报告级联在总体平均达 3.947% 等错误率，接近浮点的 3.910%，明显优于纯 2 比特的 4.293% 附近水平。

域内约 1.277% 对比浮点 1.234% 与 2 比特 1.462%，域外约 7.952% 对比浮点 7.923% 与 2 比特 8.538%，显示恢复了 2 比特与浮点之间的大部分差距。路由统计显示 VoxCeleb1-O、E 上约 85% 试次在 2 比特解决，VoxCeleb1-H 约 77.63% 在 2 比特解决，平均顺序代价在 VoxCeleb1-E 约 2.66 比特每试次、在 VoxCeleb1-H 约 3.12 比特每试次；域外升级更多，CN-Celeb 仅约 56.96% 在 2 比特解决，平均代价升至约 4.30，CommonBench 约 71.25% 在 2 比特解决。未胜出项是域外模糊带更宽导致升级率上升，说明域偏移主要增加高精度调用而非彻底打乱排序。原文未给出端到端延迟实测，平均比特数反映顺序计算量，不等同于实际耗时，部署时仍需实测。

代价与边界：平均计算省了，内存省了吗？

本节承担区分两种资源约束的教学任务。比较问题是级联降低平均顺序精度预算是否同时最小化常驻内存，公平条件是同一可部署打包假设，指标为部署内存越小越好、压缩比越大越好。下表为原文在该假设下的 ResNet-36 可部署内存，保留不同比特单模型以便对照级联与混合精度的权衡。表前问题与公平条件已说明，表后将解释取舍与未评测边界。

表后解释如下。原文显示均匀 2 比特打包模型最小，其次为 3 比特，再次为 MSFT 平均约 3.144 比特每权重，最后为 4 比特；MSFT 表现为接近均匀 3 比特的紧凑单模型替代。若级联需常驻 2、3、4 比特 3 个模型，其合计存储远大于单个 MSFT 模型，因此级联利于平均推理代价，MSFT 利于模型存储受限部署，二者解决不同约束，不可互相代替。

原文公式把部署内存写为各层量化权重数乘比特数之和，加上码本与偏置等其他项，码本按 16 比特浮点计，批归一化参数与统计量保持浮点，码本已含学习缩放故无单独缩放存储项。边界是本文级联实验主要在 ResNet-36 上报告路由与性能，深层 ResNet-200 的级联收益未同等展开；内存表仅给出 ResNet-36 的打包数，跨架构压缩比需另行验证。相关性不等于因果，层恢复大不证明该层权重失真单独决定分数漂移，仍可能经后续层放大。

复现先做什么：从浮点基线到均匀量化再到级联的检查点？

本节承担给出可执行复现顺序的任务。第一步复现浮点基线，在 VoxCeleb2 上按 80 维特征、256 维嵌入、每批 512 个 3.5 秒段、42 轮 AAM 训练、动量 0.9 与权重衰减 0.0002、前 2 阶段压缩激励的条件训练 ResNet-36 与 ResNet-200，并用余弦打分在 VoxCeleb1-O、E、H 上核对 EER 与 minDCF 量级。第二步复现均匀 KMQAT，以浮点检查点初始化，对 4、3、2 比特各微调 40 轮，保留比 0.9、对称重缩放、等质量划分，关闭数据增强，核对 2 比特膝点与域外恶化是否出现。

第三步复现层级诊断，全网 2 比特下逐个保留某阶段或嵌入层为全精度，记录恢复量排序是否指向中部大阶段，并注意第 1 阶段鲁棒与嵌入层域内重要的反例。第四步复现分数诊断，计算全量与仅测试端平均绝对漂移，绘制目标与非目标分布，核对非目标上移、目标下移与阈值重叠扩大，再按浮点裕量分箱统计有害翻转率。

第五步复现级联，在 VoxTube 上学习等温映射与门限，冻结后在各评估集统计 2、3、4 比特解决比例与平均顺序代价，核对域内大部分在 2 比特解决、域外升级更多的模式。代码可用性以资源清单为准，本文代码资源显示可用；权重下载与完整可运行状态需按仓库实际核对，不把代码存在等同于一键可运行。

何时值得尝试、还需补哪项验证？

综合全文，值得尝试的场景是需要在资源受限设备部署说话人确认、且可接受 3 模型常驻或单模型存储两种不同取舍的团队。若优化目标是平均推理代价且试次中简单样本占多数，校准级联更合适，因为误差集中在阈值附近且跨精度分数高度相关；若优化目标是常驻内存最小，MSFT 混合精度单模型更合适。

复现时应先做均匀 4、3、2 比特的受控对比以确认 2 比特膝点，再做层级保留与分数分箱以确认中部敏感与近阈值翻转，最后才调级联门限，避免直接调门限掩盖诊断结论。还需补的验证包括实际延迟与能耗实测、更大规模域外与信道偏移下的升级率稳定性、以及深层架构上级联与混合精度的联合设计。常见误解是把权重失真小等同于判决安全，本文证据恰好相反，分数漂移需结合阈值距离才决定翻转。

另一误解是把平均比特数当作内存压缩比，前者是顺序计算量，后者是常驻存储，二者不可混用。总体上本文支持用层级加分数级的联合分析代替只看聚合指标的评估习惯，方法选择、证据强度与代价已按原文逐项保留，推测性内容均以可能或待验证表达。

📐 原文公式与排版

以下展示论文原页中的数学表达区域，保留原始上下标、分式和符号排版。区域序号仅用于本文导航，不是论文公式编号。

区域 1 · 查看论文原页

区域 2 · 查看论文原页

区域 3 · 查看论文原页

区域 4 · 查看论文原页

区域 5 · 查看论文原页

区域 6 · 查看论文原页

区域 7 · 查看论文原页

另有 12 个候选区域因边界不明确或图片数量、尺寸限制未展开；请查看完整论文中的原始排版。

⚖️ 评分明细

评分属于系统判断，不是论文实验结果；八维数值与总分见页首，原始审计记录保留在后端。

• 评分规则：type-aware-v1
• 评分模型：muse-spark-1.3-contributor
• 评分请求协议：openai_responses

← 返回 odyssey-2026 论文汇总