近日，2026 年国际机器学习大会（International Conference on Machine Learning，ICML 2026）论文录用结果揭晓，西南财经大学通用人工智能与数字经济创新团队关于大语言模型低比特量化的最新研究成果《BPDQ：Bit-Plane Decomposition Quantization on a Variable Grid for Large Language Models》被录用。论文第一作者为 2023 级计算机科学与技术专业硕士生陈俊宇，通用人工智能团队施龙副教授为通讯作者。

International Conference on Machine Learning（ICML）是机器学习和人工智能领域最具影响力的国际顶级会议之一，长期引领机器学习基础理论、算法方法与人工智能应用研究的发展方向。在中国计算机学会（CCF）的会议推荐列表中，ICML 被评为 A 类会议。ICML 2026 将于 2026 年 7 月 6 日至 11 日在韩国首尔举办。本次会议共收到 23918 篇进入评审流程的投稿，最终接收 6352 篇，录取率为 26.6%。

BPDQ 是一种面向大语言模型高效部署的后训练量化方法 (PTQ)。现有方法通常采用“形状不变”的固定量化网格，这严重限制了误差最小化过程中的可行解空间。因此，BPDQ 提出了位平面分解量化方法，将模型权重表示为“位平面 × 标量系数”的可变形式，从底层扩大了低比特量化的可行解空间。实验结果显示，BPDQ 在 2-bit 极低比特量化场景下实现了高保真模型压缩。该研究为大语言模型在资源受限环境中的低成本、高效率部署提供了新的技术路径，也为极低比特量化方法的理论分析与系统实现提供了重要参考。

通用人工智能与数字经济创新团队依托于人工智能与数字金融四川省重点实验室，团队负责人是赵宇教授。团队围绕通用人工智能技术以及数字经济场景应用展开研究。团队现有教师9人，博士和硕士研究生 60 余人。团队主页：https://swufenlp.group/post/