إن كمّية أوزان وعمليات التنشيط في الشبكات العصبية العميقة أمر بالغ الأهمية لتنفيذها على الأجهزة المحدودة الموارد، أو على منصات السحابة لتقديم خدمات على نطاق واسع. وعلى الرغم من أن التمثيل الثنائي (البينارизация) يُعد حالة خاصة من التكميم، فإن هذه الحالة القصوى تؤدي غالبًا إلى صعوبات متعددة في التدريب، وتحتاج إلى نماذج وطرق تدريب مخصصة. ونتيجة لذلك، لا تقدم الطرق الحديثة للتكميم الدعم للبينارизация، مما يؤدي إلى فقدان الخيار الأكثر كفاءة من حيث الاستخدام الموارد، ويصبح التكميم والبينارизация مجالين بحثيين منفصلين. نقوم في هذا العمل بتحليل الصعوبات المرتبطة بالبينارизация ضمن إطار تكميم عام، ونكتشف أن ما نحتاجه فعلاً لتمكين التدريب الثنائي هو مُكمّم متماثل، وتهيئة جيدة، وتحديد دقيق للبارامترات الهيكلية. وتؤدي هذه التقنيات أيضًا إلى تحسينات كبيرة في التكميم متعدد البتات. نُظهر إطارنا المُوحد للتكميم، المُسمى UniQ، على مجموعة بيانات ImageNet باستخدام هياكل متنوعة مثل ResNet-18 وResNet-34 وMobileNetV2. بالنسبة للتكميم متعدد البتات، يتفوق UniQ على الطرق الحالية لتحقيق دقة متقدمة على مستوى الحد الأقصى في المجال. وفي حالة البينارизация، تُحقق الدقة الناتجة مقارنة جيدة مع أفضل الطرق الحالية، حتى دون تعديل الهياكل الأصلية.