Q-S5：迈向量化状态空间模型

基于摘要分析。该研究面向通用序列建模与资源受限部署，考察量化对状态空间模型 S5 性能的影响，并通过量化感知训练（QAT）和训练后量化（PTQ）评估不同任务与模型组件的量化敏感性；其主要贡献是提供全量化 S5 的可行性证据及组件精度选择依据，而非提出已验证的 EEG/BCI 方法。 技术与结果：评估任务包括动力系统建模、Sequential MNIST（sMNIST）及 Long Range Arena（LRA）中的大多数任务。作者报告，全量化 S5 在 sMNIST 和多数 LRA 任务上的测试 Accuracy 降幅小于 1%；摘要未明确该降幅是相对百分比还是绝对百分点，也未给出对应位宽组合、数据划分与逐任务结果。作者报告，多数任务中循环权重低于 8-bit 精度时性能显著下降，而其他组件可进一步压缩且无显著性能损失。作者还报告，PTQ 仅在基于语言的 LRA 任务上表现良好，其余所评估任务需要 QAT。量化格式、训练细节、对照基线、消融及统计信息尚未验证；实际硬件上的延迟、内存与能耗收益也尚未验证。 平台推测（待验证）：迁移假设是，若采用 S5 建模 EEG 时序，保留循环权重较高精度、对其他组件采用更低精度，可能有助于平衡边缘部署成本与解码性能。可复用的是 QAT/PTQ 比较及组件级精度评估思路；需针对 EEG 的通道布局、采样率、归一化和任务输出进行适配。原研究依赖序列任务数据及相应训练与测试协议，其所需数据规模和监督细节尚未验证。EEG 的低信噪比、跨被试分布差异、通道变化及小数据训练可能放大量化误差，原任务结果不能直接视为 BCI 有效性证据。 可检验的小实验：在固定划分的 EEG 任务上，以全精度 S5 为基线，对照 PTQ 与 QAT，并分别改变循环权重和其他组件的精度；在同一被试内或跨被试协议下报告 Accuracy 变化及目标硬件开销，以检验组件敏感性是否重现。已有 EEG 相关工作尚未检索确认。