一、文章主要内容总结该研究聚焦于大型语言模型（LLMs）训练后量化（PTQ）的核心挑战——激活值和权重中的系统性异常值导致低比特量化时性能大幅下降，而现有基于变换的量化方法因采用全层统一变换类型，忽略了各层异构的分布特性，难以达到最优效果。为此，研究提出自适应层-wise变换选择框架：核心思路：不同层的统计特性（如异常值分布）决定了其适配的最优变换类型，需为每层单独选择 affine 变换（适用于分布较平坦的层）或 rotation 变换（适用于异常值集中的层）。技术路径：先将变换选择建模为可微分优化问题，实现精准层-wise 变换选择，但该方法计算开销大；进一步发现权重分布的峰度（kurtosis）与最优变换类型强相关（高峰度层含集中异常值，适配 rotation 变换；低峰度层分布均匀，适配 affine 变换）；基于此提出异常值引导的启发式选择方法，通过鲁棒 z 分数归一化处理峰度值，高效确定每层变换类型，在大幅降低计算开销的同时保持与可微分搜索相当的性能。实验验证：在 LLaMA 系列模型（LLaMA-2 7B/13B/70B、LLaMA-3 8B/70B）的多比特量化设置（如 W3A3K2V2 等极端低比特场景）下，该方法在 WikiText-2、C4 数据集的困惑度（Perplexity）和 6 项零样本任务平均准确率上，持续优于 FlatQuant、QuaRot 等现有 SOTA 方法，最高实现 4