Cet article traite de la quantification, une technique de compression largement utilisée pour réduire les coûts de mémoire et de calcul des modèles à grande échelle pré-entraînés. En particulier, la sélection d'un facteur d'échelle approprié pour remplacer les valeurs de pondération par des valeurs sur une grille d'entiers mise à l'échelle constitue un défi majeur dans la quantification post-apprentissage canal par canal (PTQ). Les méthodes existantes fixent généralement l'échelle à l'avance par réglage heuristique ou recherche sur grille. Dans cet article, nous proposons Beacon, un algorithme simple et efficace qui élimine le besoin de réglage manuel. Beacon effectue la PTQ canal par canal directement à l'aide d'une grille non mise à l'échelle et détermine automatiquement le facteur d'échelle optimal en exploitant les propriétés géométriques de la quantification scalaire. Il ne repose ni sur la rétropropagation ni sur de grands ensembles d'étalonnage. Malgré sa simplicité et son absence de réglage, Beacon atteint des performances compétitives par rapport aux méthodes de pointe, ce qui en fait une solution pratique pour un déploiement efficace des modèles.
