Forschung arXiv – cs.LG

HiFloat4: Neues Floating-Point-Format steigert Genauigkeit bei Sprachmodellen

In einer kürzlich veröffentlichten Arbeit auf arXiv (2602.11287v1) stellt das Forschungsteam das neue HiFloat4 (HiF4)-Format vor – ein block‑floating‑point-Datenformat, das speziell für Deep‑Learning‑Anwendungen entwick…

≈1 Min. Lesezeit Originalquelle
Visuelle Illustration fuer KI-Kontext
Kernaussagen
Das nimmst du aus dem Beitrag mit
  • In einer kürzlich veröffentlichten Arbeit auf arXiv (2602.11287v1) stellt das Forschungsteam das neue HiFloat4 (HiF4)-Format vor – ein block‑floating‑point-Datenformat…
  • HiF4 packt 64 vierbitige Werte in einer Einheit zusammen und nutzt dafür 32 Bit gemeinsamer Skalierungsmetadaten.
  • Durch die dreistufige Skalierungshierarchie werden sowohl die dynamische Reichweite zwischen als auch innerhalb von Gruppen optimal abgebildet, was die Ausnutzung des Re…

In einer kürzlich veröffentlichten Arbeit auf arXiv (2602.11287v1) stellt das Forschungsteam das neue HiFloat4 (HiF4)-Format vor – ein block‑floating‑point-Datenformat, das speziell für Deep‑Learning‑Anwendungen entwickelt wurde.

HiF4 packt 64 vierbitige Werte in einer Einheit zusammen und nutzt dafür 32 Bit gemeinsamer Skalierungsmetadaten. Durch die dreistufige Skalierungshierarchie werden sowohl die dynamische Reichweite zwischen als auch innerhalb von Gruppen optimal abgebildet, was die Ausnutzung des Repräsentationsraums deutlich verbessert. Die große Gruppengröße von 64 Elementen ermöglicht zudem Matrixmultiplikationen in nahezu festem Punkt, wodurch Hardwarefläche und Stromverbrauch reduziert werden.

Die Autoren führten Inferenztests an mehreren Sprachmodellen – darunter LLaMA, Qwen, Mistral, DeepSeek‑V3.1 und LongCat – durch. Die Ergebnisse zeigen, dass HiF4 im Vergleich zum aktuellen NVFP4-Standard eine höhere durchschnittliche Genauigkeit erzielt und dabei vielseitige Downstream‑Aufgaben über mehrere Modelle hinweg unterstützt.

Einordnen in 60 Sekunden

Welche Linse du auf diese Meldung legen solltest

Dieses Thema ist relevant, weil es zeigt, wie sich KI-Produkte, Modelle oder Rahmenbedingungen in der Praxis verschieben.

Achte zuerst darauf, was sich fuer Nutzer, Builder oder Unternehmen konkret veraendert und ob daraus ein nachhaltiger Trend entsteht.

Was veraendert sich fuer Nutzer oder Builder konkret?
Ist das ein nachhaltiger Trend oder nur ein kurzes Signal?
Begriffe zum Einordnen

Kontext ohne Glossar-Suche

arXiv – cs.LG
Diese Quelle setzt den Ausgangspunkt fuer die Meldung. Pruefe immer, ob sie eher Forschung, Produktmarketing oder Praxisperspektive liefert.