arXiv · cs.AI· Hu Xu, Zhaolong Xing, Congcong Liu, Jiaxing Wang, Zhida Jiang, Junshi Huang, Zhen Chen, Jianfeng Xu·· 7 小时前
高稀疏度LLM剪枝将校准从单一数据源转向能力覆盖
Rethinking Calibration for High-Sparsity LLM Pruning: From Single Sources to Capability Coverage
arXiv:2606.03328v4阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Hu Xu, Zhaolong Xing, Congcong Liu, Jiaxing Wang, Zhida Jiang, Junshi Huang, Zhen Chen, Jianfeng Xu
研究任务与主要进展
论文提出将高稀疏度LLM后训练剪枝的校准建模为能力覆盖问题，并报告固定预算下的均衡四路混合策略优于所有评估的单数据源：在30%和60%稀疏率下，相对C4的优势分别为4.6和18.8个百分点。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org