細胞顯微鏡下 Cellpose-SAM 的保留約束後訓練量化
為何重要
一般基礎模型強調高準確率，但本研究揭示了在受監管的生命科學領域，模型部署需具備「診斷級的可靠性」，即壓縮後必須在各種成像密度與模態下穩定運作。這對開發者而言是從雲端優先轉向邊緣/現場部署時的重要提醒：更強的壓縮不代表更保險的選擇，過度壓縮（如三進位）甚至可能破壞災難預防機制。在產業上，這暗示了嵌入式 AI 硬體供應商若想切入生醫 AI 裝置，需提供能過關的邊緣算力解決方案。
- 面對實驗室與邊緣硬體部署 Cellpose-SAM 等基礎模型的挑戰，研究者提出一套以保留準則為核心的壓縮方案，即要求每種成像模態的平均變動 95% Bootstrap 區間須維持在 -0.02 以上。
- 研究在涵蓋 176 個場景的多模態面板（BBBC038 nuclei、BBBC039 fluorescence、NIST iPSC 影像）上測試，發現 sensitivity-guided mixed W4/W8 策略雖僅允許 4 個 INT8 例外，卻能達到 6.76x 權重壓縮且零災難性失敗 (0/176)。
- 相較之下，三進位權重量化雖壓縮比高達 12.08x，卻在場景中失敗 169/176 次；研究強調壓縮評估應基於下遊階層化的保留準則，而非單一準確率。