扩散模型是一个流行的图像生成框架，由于其较长的推理时间和大量的内存需求，面临着广泛应用的重大挑战。高效的训练后量化（PTQ）对于传统模型的优化至关重要。与传统模型不同，扩散模型在多轮去噪过程中严重依赖时间步骤。通常，来自有限集合的时间步长数据 {1,...,T} 无论样本数据如何，都由几个模块编码为时间特征。然而，现有的PTQ方法并没有单独优化这些模块。它们采用不适当的重建目标和复杂的校准方法，导致时间特征和去噪轨迹的严重扰动，以及低压缩效率。为了解决这些问题，我们提出了一个基于时间信息块的时间特征维护量化（TFMQ）框架，该块仅与时间步骤相关，与采样数据无关。通过这种创新的块设计，我们设计了时间信息感知重建（TIAR）和有限集校准（FSC），以在有限的时间内对齐全精度时间特征。配备了这个框架，我们可以保持最多的时间信息并确保端到端的生成质量。在各种数据集和扩散模型上的广泛实验证明了我们的技术达到了SOTA的结果。