通俗解释
不同权重对输出的影响不同：对应大激活通道的权重更关键。AWQ 通过对这些通道做缩放来降低量化误差，无需反向传播，适合端侧部署。
用在哪里：vLLM/TensorRT-LLM 的 AWQ 模型
01原始论文
AWQ: Activation-aware Weight Quantization for LLM Compression and Acceleration
Ji Lin, Jiaming Tang, Haotian Tang, et al. · 2023
arXiv ↗ ✓ 已核实 · arXiv API
02知识位置
左边先学；右边是学完它之后可以学的。
相关：SmoothQuant
左：前置 · 右：后继 · 虚线：相关。看完整关系图 →
03学习资料
官方文档、图解、课程和参考实现，链接都核对过。
04在课程里哪里学
所在学习路线：AI 应用工程师
给 AI 读 / 数据说明
- 核实状态：已核实，核对于 2026-10-21。
- JSON: /api/learn/algorithms.json (id:
awq)