DLP : Élagage Dynamique Couche par Couche dans les Grands Modèles de Langage

DLP: Dynamic Layerwise Pruning in Large Language Models

May 27, 2025

Auteurs: Yuli Chen, Bo Cheng, Jiale Han, Yingying Zhang, Yingting Li, Shuhao Zhang

cs.AI

Résumé

L'élagage a récemment été largement adopté pour réduire l'échelle des paramètres et améliorer l'efficacité de l'inférence des modèles de langage de grande taille (LLMs). Les techniques d'élagage dominantes reposent souvent sur des stratégies uniformes par couches, ce qui peut entraîner une dégradation significative des performances à des niveaux de sparsité élevés. Conscients des contributions variables des différentes couches dans les LLMs, les études récentes ont recentré leur attention sur l'élagage non uniforme par couches. Cependant, ces approches s'appuient souvent sur des valeurs prédéfinies, ce qui peut conduire à des performances sous-optimales. Pour surmonter ces limitations, nous proposons une nouvelle méthode appelée Élagage Dynamique par Couches (Dynamic Layerwise Pruning, DLP). Cette approche détermine de manière adaptative l'importance relative de chaque couche en intégrant les poids du modèle avec les informations d'activation en entrée, attribuant ainsi les taux d'élagage en conséquence. Les résultats expérimentaux montrent que DLP préserve efficacement les performances du modèle à des niveaux de sparsité élevés pour plusieurs LLMs. Plus précisément, à 70 % de sparsité, DLP réduit la perplexité de LLaMA2-7B de 7,79 et améliore la précision moyenne de 2,7 % par rapport aux méthodes de pointe. De plus, DLP est compatible avec diverses techniques de compression existantes pour les LLMs et peut être intégré de manière transparente dans le réglage fin efficace en paramètres (Parameter-Efficient Fine-Tuning, PEFT). Nous publions le code à l'adresse https://github.com/ironartisan/DLP pour faciliter les recherches futures.

English

Pruning has recently been widely adopted to reduce the parameter scale and improve the inference efficiency of Large Language Models (LLMs). Mainstream pruning techniques often rely on uniform layerwise pruning strategies, which can lead to severe performance degradation at high sparsity levels. Recognizing the varying contributions of different layers in LLMs, recent studies have shifted their focus toward non-uniform layerwise pruning. However, these approaches often rely on pre-defined values, which can result in suboptimal performance. To overcome these limitations, we propose a novel method called Dynamic Layerwise Pruning (DLP). This approach adaptively determines the relative importance of each layer by integrating model weights with input activation information, assigning pruning rates accordingly. Experimental results show that DLP effectively preserves model performance at high sparsity levels across multiple LLMs. Specifically, at 70% sparsity, DLP reduces the perplexity of LLaMA2-7B by 7.79 and improves the average accuracy by 2.7% compared to state-of-the-art methods. Moreover, DLP is compatible with various existing LLM compression techniques and can be seamlessly integrated into Parameter-Efficient Fine-Tuning (PEFT). We release the code at https://github.com/ironartisan/DLP to facilitate future research.