NeurIPS 2024｜SparseLLM：突破性全局剪枝技術，大語言模型稀疏化

AIGC動態歡迎閱讀

原標題：NeurIPS 2024｜SparseLLM：突破性全局剪枝技術，大語言模型稀疏化
關鍵字：模型,全局,局部,性能,問題
文章來源：機器之心
內容字數：0字

內容摘要：

AIxiv專欄是機器之心發布學術、技術內容的欄目。過去數年，機器之心AIxiv專欄接收報道了2000多篇內容，覆蓋全球各大高校與企業的頂級實驗室，有效促進了學術交流與傳播。如果您有優秀的工作想要分享，歡迎投稿或者聯系報道。投稿郵箱：liyazhou@jiqizhixin.com；zhaoyunfeng@jiqizhixin.com本篇工作已被NeurIPS（2024 Conference on Neural Information Processing Systems）會議接收，文章第一作者為美國埃默里大學的博士生白光霽，通訊作者為趙亮教授，來自埃默里大學計算機系。共同作者包括美國阿貢國家實驗室的Yijiang Li和Kibaek Kim，以及埃默里大學的博士生凌辰。該研究主要探討了大語言模型的全局剪枝方法，旨在提高預訓練語言模型的效率。該成果的發表為大模型的剪枝與優化研究提供了新的視角，并在相關領域具有重要的應用潛力。論文標題：SparseLLM: Towards Global Pruning of Pre-trained Language Models論文鏈接：https://ar

原文鏈接：NeurIPS 2024｜SparseLLM：突破性全局剪枝技術，大語言模型稀疏化

聯系作者

文章來源：機器之心
作者微信：
作者簡介：