quantize_config.json

{
    "per_channel": true,
    "reduce_range": true,
    "per_model_config": {
        "vision_encoder": {
            "op_types": [
                "ConstantOfShape",
                "Concat",
                "Expand",
                "Transpose",
                "Sub",
                "Div",
                "Sin",
                "Cos",
                "Tile",
                "Mul",
                "Squeeze",
                "Unsqueeze",
                "Add",
                "Slice",
                "Identity",
                "ReduceMean",
                "Cast",
                "Range",
                "Conv",
                "Pow",
                "Sqrt",
                "MatMul",
                "Einsum",
                "Constant",
                "Resize",
                "Reshape",
                "Split",
                "Pad",
                "Mod",
                "Shape",
                "Erf",
                "Gather",
                "Softmax"
            ],
            "weight_type": "QUInt8"
        },
        "prompt_encoder_mask_decoder": {
            "op_types": [
                "ConstantOfShape",
                "Concat",
                "Expand",
                "Sub",
                "Where",
                "Div",
                "Transpose",
                "Sin",
                "Cos",
                "Tile",
                "Mul",
                "Unsqueeze",
                "Add",
                "Slice",
                "Cast",
                "ReduceMean",
                "Range",
                "Pow",
                "Sqrt",
                "Equal",
                "MatMul",
                "OneHot",
                "Constant",
                "Reshape",
                "Relu",
                "ScatterND",
                "Shape",
                "Erf",
                "Gather",
                "ConvTranspose",
                "Softmax"
            ],
            "weight_type": "QInt8"
        }
    }
}