研究者提出ETAPS大模型渐进剪枝方法
热点事件持续更新
研究者提出ETAPS大模型渐进剪枝方法
1 篇报道1 个报道来源10 小时前更新
先了解这件事
AI 综述
研究者提出并发布大语言模型极端稀疏度剪枝方法 ETAPS：分阶段收紧全局稀疏约束，同时以固定小预算训练稀疏增量。在 125M 到 13B 参数的六个模型上、50% 至 90% 稀疏度下，其困惑度均低于对比方法 ELSA，最高降低 42%。 在 90% 稀疏度下剪枝 LLaMA2-7B，ETAPS 仅需单张 H200，而 ELSA 需四张；其持久状态小 5.0 倍，GPU 小时少 49%。以上为作者在论文中报告的结果。
AI 根据报道生成 · 3 小时前更新
最新进展11月2日 13:00
ETAPS：面向大语言模型极端稀疏度的高效渐进剪枝方法报道时间线
沿着报道，了解事件的不同侧面。
11月2日
- arXiv · cs.AIETAPS：面向大语言模型极端稀疏度的高效渐进剪枝方法
研究者提出 ETAPS，通过分阶段收紧全局稀疏约束、并以固定小预算训练稀疏增量，在 125M 到 13B 参数的六个模型上，50% 至 90% 稀疏度下困惑度均低于 ELSA，最高降低 42%。在 90% 稀疏度下剪枝 LLaMA2-7B 仅需单张 H200，而 ELSA 需四张，持久状态小 5.0 倍、图形处理器（GPU，Graphics Processing Unit） 小时少 49%。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。