Nicemleme farkında eğitim (QAT)
Modeli, nicemlenmiş (INT8/INT4) çalışacağını bilerek eğitir: ileri geçişte sahte nicemleme, geri geçişte tam hassasiyet. Eğitim sonrası nicemlemeden çok daha az kalite kaybettirir.
PyTorch, TensorFlow ve JAX'in hepsinde yerel QAT desteği vardır. Eğitim sonrası nicemlemeye (PTQ) göre fark: INT4'te QAT %1'in altında kayıp verirken PTQ'da bu %5–10 olur. Hesaplama açısından daha pahalıdır (tam ince ayar gerekir). Mobil yapay zekâda (TensorFlow Lite, Core ML) standarttır. Meta'nın 2024'te yayımladığı nicemlenmiş Llama 3.2 modelleri QAT sürümleridir.