重新思考量化 LLM 微调：连续映射空间中的自适应分组交替零阶算法

该研究面向资源受限边缘设备上的量化 LLM 微调，提出 CoZO，在连续映射空间中优化细粒度 scales 和 zero-points，并通过自适应分组平衡搜索空间表达能力与零阶估计稳定性。基于摘要分析，未取得论文全文。 核心机制：作者认为，直接扰动离散量化权重会将优化限制在有限搜索空间，而仅调整每个张量或通道的粗粒度 scales，又只能覆盖表达能力受限的连续子空间。CoZO 因此将 scales 与 zero-points 细化，通过交替零阶优化调整这些映射参数，以间接改变反量化后的权重。摘要未说明具体分组规则、交替更新顺序、扰动分布或目标函数，不能据此补充实现细节。 理论与结果：作者报告为 CoZO 提供了理论收敛保证，并在严格内存约束下，相较离散扰动与 scale-tuning 基线取得更好的稳定性和有效性。摘要未给出模型、任务、量化位宽、数据划分、评价指标或具体数值；收敛假设、内存测量口径、对照设置、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移机制是以连续量化映射参数替代直接权重更新，可能适用于需要低内存适配的量化 EEG 解码模型，而不是直接构成新的 BCI 解码方法。迁移依赖目标模型的量化结构、可计算的任务损失及足够稳定的目标函数评估；可复用的是零阶更新与自适应分组思路，需要改造参数分组、量化映射和 EEG 任务目标。低信噪比、小数据及跨被试或通道差异可能放大零阶估计方差，细粒度参数增加也可能抵消部分资源收益。 一个可检验的小实验是在固定量化 EEG 模型与 Cross-subject 划分下，使用相同目标被试适配数据和内存预算，对比 CoZO、离散扰动及粗粒度 scale-tuning，核对任务指标、峰值内存、前向评估次数和多随机种子稳定性。该实验仅为迁移假设，已有 EEG 相关工作尚未检索确认；代码可用性与完整复现条件尚未验证。