LaCo: Large Language Model Pruning via Layer Collapse

828 篇文章

已下架不支持订阅

本文提出了一种新的大型语言模型(LLM)修剪技术——层折叠(LaCo)。通过将模型的后层折叠到前层,LaCo在保持模型结构不变的情况下,能大幅减小模型大小,且在25-30%的修剪率下仍能保持超过80%的平均任务性能。这种方法无需特殊硬件,适用于大规模模型的优化。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

本文是LLM系列文章,针对《LaCo: Large Language Model Pruning via Layer Collapse》的翻译。

LaCo:基于层折叠的大型语言模型修剪

摘要

基于transformer的大型语言模型(LLM)呈现出显著的规模扩展趋势,这给模型训练和推理带来了相当大的成本。然而,现有的方法,如模型量化、知识蒸馏和模型修剪,受到各种问题的约束,包括硬件支持的限制、对广泛训练的需要以及对模型内部结构的更改。在本文中,我们提出了一种简洁的逐层修剪方法,称为层折叠(LaCo),其中后部模型层折叠成前一层,从而能够在保持模型结构的同时快速减小模型大小。综合实验表明,在25-30%的修剪率下,我们的方法保持了80%以上的平均任务性能,显著优于现有的最先进的结构化修剪方法。我们还进行了后训练实验,以证实所提出的修剪方法有效地继承了原始模型的参数。最后,我们从逐层相似性的角度讨论了我们的动机,并评估了修剪LLM在不同修剪比率下的性能。

1 引言

2 方法

3 实验

4 分析

5 相关工作

6 结论</

已下架不支持订阅

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

UnknownBody

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值