AIGC動態(tài)歡迎閱讀

原標(biāo)題：NeurIPS 2024｜SparseLLM：突破性全局剪枝技術(shù)，大語言模型稀疏化
關(guān)鍵字：模型,全局,局部,性能,問題
文章來源：機器之心
內(nèi)容字?jǐn)?shù)：0字

內(nèi)容摘要：

AIxiv專欄是機器之心發(fā)布學(xué)術(shù)、技術(shù)內(nèi)容的欄目。過去數(shù)年，機器之心AIxiv專欄接收報道了2000多篇內(nèi)容，覆蓋全球各大高校與企業(yè)的頂級實驗室，有效促進(jìn)了學(xué)術(shù)交流與傳播。如果您有優(yōu)秀的工作想要分享，歡迎投稿或者聯(lián)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(xué)的博士生白光霽，通訊作者為趙亮教授，來自埃默里大學(xué)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(xué)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(yù)訓(xùn)練語言模型的效率。該成果的發(fā)表為大模型的剪枝與優(yōu)化研究提供了新的視角，并在相關(guān)領(lǐng)域具有重要的應(yīng)用潛力。論文標(biāo)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(shù)，大語言模型稀疏化

聯(lián)系作者

文章來源：機器之心
作者微信：
作者簡介：