arXiv · cs.AI· Rocktim Jyoti Das, Mukul Ranjan, Mingjie Sun, Liqun Ma, Zhiqiang Shen·· 8 小时前
GBLM-Pruner利用梯度改进大语言模型稀疏剪枝
Beyond Size: How Gradients Shape Pruning Decisions in Large Language Models
arXiv:2311.04902v3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：Rocktim Jyoti Das, Mukul Ranjan, Mingjie Sun, Liqun Ma, Zhiqiang Shen
研究任务与主要进展
GBLM-Pruner提出一种面向预训练大语言模型的梯度驱动剪枝方法，利用少量校准样本和归一化一阶梯度确定剪枝指标，无需后续重训练或权重更新。基于论文摘要，该方法在LLaMA、Qwen和DeepSeek模型及零样本、STEM推理、编码基准上超过幅值剪枝和Wanda，并与需要大量权重更新的SparseGPT具有竞争力；代码和模型已公开于GitHub，但摘要未提供具体性能数字和实验条件。
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