A Survey on Model Compression for Large Language Models

本文是LLM系列文章，关于模型压缩相关综述，针对《A Survey on Model Compression for Large Language Models》的翻译。

摘要

大型语言模型（LLM）以显著的成功彻底改变了自然语言处理任务。然而，它们强大的规模和计算需求给实际部署带来了重大挑战，尤其是在资源受限的环境中。随着这些挑战变得越来越重要，模型压缩领域已成为缓解这些限制的关键研究领域。本文对专门为LLM量身定制的模型压缩技术进行了全面的调查。为了满足高效部署的迫切需要，我们深入研究了各种方法，包括量化、修剪、知识蒸馏等。在每一种技术中，我们都强调了有助于LLM研究不断发展的最新进展和创新方法。此外，我们探索了对评估压缩LLM的有效性至关重要的基准测试策略和评估指标。通过深入了解最新发展和实际意义，这项调查为研究人员和从业者提供了宝贵的资源。随着LLM的不断发展，这项调查旨在促进提高效率和现实世界的适用性，为该领域的未来进步奠定基础。

1 引言

2 方法

3 度量和基准

3.1 度量

3.2 基准

4 挑战和未来方向

专业基准
尽管早期引入了用于评估模型压缩的基准测试，但这些基准测试仍然存在一些缺点。首先，模型压缩的评估缺乏一个普遍接受的标准设置。不同的研究通常产生具有不同加速比、参数计数和精度水平的模型。因此，这些研究之间的直接比较可能具有挑战性，并因硬件差异而变得更加复杂。其次，常见的基准，如LAMA和StrategyQA，可能不是移动设备上典型任务的最合适表示。第三，为