研究人员开发了两种新方法:逐层误差建模搜索(LEMS)和KFAC-SVD,以利用奇异值分解(SVD)改进大型语言模型(LLM)的压缩。LEMS通过考虑逐层误差代理和传播偏差来增强秩分配,而KFAC-SVD则通过使用标记级统计数据来缓解秩崩溃,从而提高分解质量。这些技术在包括Mistral、Qwen3和Llama 3在内的各种模型上展示了显著的零样本准确性提升,最高可达4.8个百分点,平均困惑度改善15%,并且可以扩展到700亿参数的模型。 AI
影响 这些技术可能导致更高效的大型语言模型部署,降低计算成本并实现更广泛的可访问性。
排序理由 该集群描述了一篇详细介绍LLM压缩新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]
在 Hugging Face Daily Papers 阅读 →
- International Conference on Machine Learning
- KFAC-SVD
- Layer-wise Error Modeling Search
- LEMS
- Llama 3
- Mistral AI
- MoritzMo123/kfac-svd_lems_llama-3-8b_0.8
- Qwen3
- singular value decomposition
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →