Der Artikel „ReQAT: Achieving full-precision inference precision through 4-bit Floating Point Quantization Recognition Learning“, an dem Jang-hwan Lee, ein Forscher am Department of Convergence Electronic Engineering der Hanyang University, als Erstautor teilnahm, und Professor Jeongwook Choi vom Department of Convergence Electronic Engineering und dem KI-Halbleiterunternehmen Rebellions, wurde offiziell auf der International Conference on Machine Learning (ICML 2026) vorgestellt. Der Aufsatz wurde als „mündlicher Vortrag“ ausgewählt, der als der innovativste und einflussreichste unter etwa 15.000 eingereichten Aufsätzen gilt und von KI-Gesellschaften auf der ganzen Welt als bemerkenswerte Leistung bewertet wird. Der von der Hanyang-Universität und dem Rebellion-Forschungsteam eingereichte Aufsatz ReQAT: Achieving full-precision inference precision through 4-bit Floating Point Quantization Recognition Learning wurde als mündlicher ICML-Präsentationsaufsatz ausgewählt. In der Regel erhalten mündliche Präsentationen nur die besten 1 % aller eingereichten Arbeiten. / Quelle = ReQAT, eingereicht von der IT Dong-A Hanyang University und dem Rebellion-Forschungsteam: Der Artikel, der durch 4-Bit-Gleitkomma-Quantisierungserkennungslernen eine vollständige Inferenzgenauigkeit erreicht, ist ICML