20/30 系没有 FP8 张量核，网上那套「先转 FP8」的通用建议在这些卡上经常还不如直接 BF16，这个坑不少人一直没绕过去。Krea 2 Turbo 有个 W4A4 的量化就是奔着这类卡去的：激活感知的 INT4 加一条低秩修正分支，不需要校准数据集，体积大概是常见 FP8 版的三分之一。
3090 上 1024 出图、8 步、热启动的数字很直白，BF16 十八秒八，纯 W4A4 六秒五接近三倍，挂上低秩分支之后七秒多，也还有两倍四到两倍六。
那条修正分支大概吃掉一成的单步时间，而且 rank 从 16 拉到 256 只慢 4%，精度基本是白送的。
最有意思的是激活感知那一项：按真实的逐通道能量去拟合分支，而不是假设它均匀，推理时形状和 kernel 全没变，只是分支里的数不一样，精度收益却是整个项目里最大的一块。