研究人员开发了一种自适应深度稀疏框架（AdaDSF），旨在无需进行大规模重新训练即可降低大语言模型的推理成本。该框架利用了 Transformer 架构中不同层的重要性差异，这些差异通过层输入和输出之间的相似性来识别。AdaDSF 为每层动态分配 token 保留比例，并使用轻量级路由器选择信息性 token，同时采用一种保留特征的对齐目标来确保表示的一致性。在 GPT-NeoX 和 Qwen2.5 等模型上的实验表明，与密集模型和其他稀疏化方法相比，AdaDSF 在性能下降极小的情况下显著降低了 FLOPs。 AI
影响 降低大语言模型的推理成本，可能有助于更广泛的部署和更快的 AI 应用响应时间。
排序理由 该集群包含一篇详细介绍大语言模型推理优化新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
