跳到正文
热点事件持续更新

研究者提出免训练LLM剪枝方法GBLM-Pruner

1 篇报道1 个报道来源4 小时前更新

先了解这件事

AI 综述

研究者提出一种面向预训练大语言模型的免训练剪枝方法 GBLM-Pruner，利用少量校准样本的归一化梯度确定剪枝指标，无需后续重训练或权重更新。 作者称，该方法在 LLaMA 系列、Qwen 系列和 DeepSeek 模型上，于零样本、STEM 推理和编程基准中显著超越 magnitude pruning 与 Wanda，并与需要密集权重更新的 SparseGPT 表现相当。代码与模型已公开。

AI 根据报道生成 · 3 小时前更新

最新进展10月15日 12:00
超越规模：梯度如何影响大语言模型的剪枝决策

报道时间线

沿着报道，了解事件的不同侧面。

10月15日
  1. arXiv cs.CL
    超越规模：梯度如何影响大语言模型的剪枝决策

    研究者提出 GBLM-Pruner，一种面向预训练 LLM 的免训练剪枝方法，利用少量校准样本的归一化梯度确定剪枝指标。在 LLaMA 系列、Qwen 系列和 DeepSeek 模型上，该方法在零样本、STEM 推理和编程基准上显著超越 magnitude pruning 与 Wanda，并与需要密集权重更新的 SparseGPT 表现相当。

本事件热度走势

可比范围当前
9
可比范围峰值
1010月15日 13:00
近 24 小时变化
–

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。