在移动端或边缘设备上，浮点运算成本较高。常见做法是将输入向量和全连接层权重做 INT8 非对称量化（按张量整体 per-tensor），用整数在量化域直接做点积，最后用反量化结果评估与原始浮点结果的误差。 【任务】 · 对输入向量 x 和权重矩阵 W 分别做 INT8 非对称量化（范围 [-128, 127]，不加偏置），输出量化域的 m 个整数点积结果。 · 将量化后的 x 与 W 分别反量化为 x_dequant、W_dequant，计算二者在浮点域的全连接输出，与原始 x、W 的浮点输出做均方误差 MSE，并输出 round_half_up(MSE × 100000) 的整数。 · 量化/反量化细节（per-tensor）： · scale = (max(v) - min(v)) / 255 · 若 max(v) == min(v)，则 scale = 0，量化结果全为 -128；反量化直接取 min(v) · 量化：q = clamp(round((v - min(v)) / scale) - 128, -128, 127)，round 为就近取偶 · 反量化：v_dequant = (q + 128) * scale + min(v) · MSE 四舍五入采用 half-up（即对 MSE×100000 做 “x+0.5 下取整”）
· 第一行：n（输入向量维度） · 第二行：n 个浮点数（输入向量 x） · 第三行：m n（权重矩阵维度） · 接着 m 行：每行 n 个浮点数（权重矩阵 W）
· 第一行：m 个整数（使用 x_quant 与 W_quant 计算的量化域全连接输出） · 第二行：1 个整数（round_half_up(MSE × 100000)）
3 0 128 255 2 3 0 0 0 255 255 255
128 -127 0
考点：模拟
限制 1 秒 / 256MB ｜ 标准输入输出
推荐方向：模拟
本题切入点
严格按 per-tensor 非对称量化公式实现：由 min/max 求 scale，量化 clip(round((v−min)/scale)−128)，反量化 (q+128)·scale+min，再在整数域算点积与 MSE。
不涉及复杂算法，把题目描述的流程原样翻译成代码逐步执行即可。
思路框架（模拟 通法 · 非本题专属）
实现要点：结构上通常是一个外层循环包住若干 if/else 分支；只要状态定义清楚，正确率很高。
复杂度：时间 O(操作次数) ｜ 空间 O(状态数)
该范式的通法易错点
样例 1：输入 3 / 0 128 255 / 2 3 / 0 0 0 / 255 255 255 → 输出 128 -127 / 0
· 对 x：min=0, max=255, scale=1 → x_quant=[-128, 0, 127]
· 对 W（按张量整体）：min=0, max=255, scale=1 → 第1行量化为[-128,-128,-128]，第2行为[127,127,127]
· 量化域点积：· y0 = (-128)(-128) + 0(-128) + 127*(-128) = 128
· y1 = (-128)127 + 0127 + 127*127 = -127
· 反量化后与原始浮点结果一致，MSE=0，输出 0
解析由校招宝本地引擎整理（依据源站考点标签 / 人工判题标注 / 题面规模信号），非官方题解，仅供思路参考。
本题来源：2025年秋招-华为-11月12号AI岗。