블록 부동소수점 양자화 편집하기 (부분)

==최신 연구 및 발전 방향==
아래는 최근 블록 부동소수점 양자화 관련 주요 연구 흐름들이다:
*FAST: 변수 정밀도 BFP를 사용하여 훈련 속도를 높이고 자원 효율을 개선한 시스템. <ref>“FAST: DNN Training Under Variable Precision Block Floating Point with Stochastic Rounding”</ref>
*BitQ: DNN 추론에 맞춘 블록 크기 및 비트폭 최적화 방법을 제시한 연구. <ref>“BitQ: Tailoring Block Floating Point Precision for Improved DNN”</ref>
*누산 정밀도 연구: “Ultra‑Low Accumulation Precision Inference with Block Floating Point”은 누산 단계의 최소 비트 폭을 설계하는 통계적 방법을 제안하였다. <ref>“Ultra‑Low Accumulation Precision Inference with Block Floating Point”</ref>
*하이브리드 방식: BFP와 고정소수점, 또는 높은 정밀도 표현을 조합하여 성능과 효율성을 조율하는 방식
*대형 언어 모델에의 적용: LLM의 가중치나 활성화 특성(아웃라이어 존재 등)을 고려한 블록 부동소수점 양자화 기법 연구 증가 
*동적 블록 크기 / 적응적 지수 방식: 학습이나 추론 중 블록 단위 구성이나 지수 조정 방식을 유연하게 바꾸는 접근
*Microscaling / MX 포맷: 블록 부동소수점의 변형 형식으로, “마이크로 스케일링 (micro‑scaling)” 방식들이 제안된 바 있다.