最近，Frankle 与 Carbin（2019）证明，随机初始化的稠密神经网络中包含若干子网络，一旦被发现，仅通过训练即可达到与经过完整训练的稠密网络相当的测试准确率。然而，寻找这些高性能可训练子网络的代价较高，通常需要反复进行训练与剪枝的迭代过程。本文中，我们提出了（并证明了）一个更强版本的“多奖品彩票理论”（Multi-Prize Lottery Ticket Hypothesis）：一个充分过参数化的、权重随机初始化的神经网络中，包含多个子网络（即“中奖彩票”），它们具备以下三个特性：(a) 其测试准确率可与经过训练的稠密目标网络相当（奖品1）；(b) 无需任何进一步训练即可实现奖品1的准确率（奖品2）；(c) 对极端量化形式具有鲁棒性，例如权重和/或激活值被量化为二值（即二进制权重和/或激活）（奖品3）。这一发现为构建紧凑且高精度的二值神经网络提供了一种全新范式：仅通过剪枝与量化随机初始化的全精度神经网络，即可获得高性能模型。我们进一步提出了一种用于发现多奖品彩票（Multi-Prize Tickets, MPTs）的算法，并在CIFAR-10与ImageNet数据集上开展了一系列实验进行验证。实验结果表明，随着模型深度与宽度的增加，多奖品彩票的测试准确率开始与远大于自身的、经过权重训练的全精度模型相当，甚至在某些情况下超越后者。尤为关键的是，在不进行任何权重更新的前提下，我们的MPT-1/32模型在CIFAR-10上取得了94.8%的Top-1准确率，在ImageNet上达到74.03%的Top-1准确率，均创下当前二值权重网络的最新最优（SOTA）纪录。同时，其性能分别优于对应的全精度模型1.78%和0.76%。此外，MPT-1/1在CIFAR-10上实现了91.9%的Top-1准确率，成为当前二值神经网络在该数据集上的SOTA结果。相关代码与预训练模型已开源，地址为：https://github.com/chrundle/biprop。