멀티버스컴퓨팅이 구조적으로 압축되고 4비트로 양자화된 모델의 성능을 원본 모델 수준 이상으로 회복시키는 기법 '양자화 인지 힐링(QAH)'을 발표했다. 기존의 양자화 인지 학습(QAT)이나 양자화 인지 증류(QAD)와 달리, QAH는 압축 이전의 원본 풀프리시전 모델을 교사로 직접 사용해 KL발산으로 지식을 증류함으로써 회복된 체크포인트의 한계에 갇히지 않는다. GPT-OSS 120B를 60B로 구조 압축한 뒤 MXFP4로 양자화한 모델에 적용한 결과 9개 벤치마크 중 7개에서 자체 bfloat16 버전을 능가했으며, 특히 장문맥 추론(+7.4점)과 수학(+5.6점)에서 큰 향상을 보였다. QAT와의 직접 비교에서도 QAH는 약 100스텝 만에 최고 성능에 도달해 QAT(700스텝)보다 7배 빠르고, 학습을 계속해도 성능이 붕괴하지 않는 안정성을 보였다.

• •QAH, 압축 전 원본 풀프리시전 모델을 교사로 직접 증류해 성능 한계 돌파
• •GPT-OSS 120B→60B 압축·MXFP4 양자화 모델, 9개 벤치마크 중 7개서 bfloat16 원본 능가
• •장문맥 추론 +7.4점, 수학(AIME2025) +5.6점 등 압축 취약 영역서 큰 향상
• •QAT 대비 7배 빠른 수렴(100 vs 700스텝), 장기 학습해도 성능 붕괴 없어