nvfp4

Mix-Quant 提出了一种面向智能体大语言模型的阶段感知量化框架，在预填充阶段使用 NVFP4 量化以加速计算，同时在解码阶段保持 BF16 精度以维持准确性。该方法在智能体基准测试中实现了预填充速度提升最高 3 倍，且性能下降极小。

NVlabs 发布了 LongLive 2.0，这是一个采用 NVFP4 量化的实时长视频生成并行基础设施，同时支持训练和推理。它达到了 45.7 FPS，并被 ICLR 2026 接收。

LongLive-2.0 引入了一种基于NVFP4的并行基础设施，用于长视频生成，在训练上实现了高达2.15倍的加速，推理上实现了1.84倍的加速，5B模型达到了45.7 FPS。

NVIDIA 宣布推出 Nemotron 3 Super（120B）和 Nemotron 3 Ultra（约500B）模型，这些模型在 NVFP4 精度下基于25T tokens进行了预训练，强调加速计算和效率提升。

NVIDIA 利用新的 NVFP4 格式及微缩放技术，以 4 位精度训练了一个 120 亿参数的大语言模型，在几乎不损失智能的同时，内存使用减半、算术速度提升三倍，标志着高效 AI 训练的重大突破。

NVIDIA发布了Moonshot AI的Kimi-K2.6和Kimi-K2.5语言模型的NVFP4量化版本，保持高精度，可用于商业和非商业用途。

一个开发者工具包，提供在使用 TensorRT-LLM 通过 Nvidia Blackwell GPU 以 NVFP4 精度运行大型语言模型时的配置、预编译包（wheels）及基准测试数据。

0xSero 发布了腾讯 Hy3-preview 模型的 FP8 和 NVFP4 量化版本，使其能够在使用完整上下文的情况下在 256GB 显存的设备上运行。

Unsloth 发布了 Qwen3.6-27B 的 NVFP4 量化检查点，声称吞吐量提升 2.5 倍，精度与 FP8 和 BF16 相当，并提供了在 24GB GPU 上通过 vLLM 运行的说明。

Reddit 帖子对比了 Qwen3.6-27B 的多种量化版本（INT4、NVFP4、BF16-INT4），展示不同场景下内存占用与精度的权衡。

一份 478B 参数的量化 GLM-5.1 模型在 4 块 RTX Pro 6000 上用 SGLang 运行，支持 37 万 token 上下文，解码最高 45 tok/s，预填充 1340 tok/s，并现场演示操控 Figma。

开发者 @0xSero 在优化版 GLM-5.1-505B 上通过 NVFP4 量化与 32% 剪枝实现高吞吐推理，解码速度 45 tokens/s，预填充速度 1350 tokens/s。