DLP: Poda Dinâmica por Camadas em Modelos de Linguagem de Grande Escala

DLP: Dynamic Layerwise Pruning in Large Language Models

May 27, 2025

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

cs.AI

Resumo

A poda tem sido amplamente adotada recentemente para reduzir a escala de parâmetros e melhorar a eficiência de inferência dos Modelos de Linguagem de Grande Escala (LLMs). As técnicas de poda predominantes frequentemente dependem de estratégias uniformes de poda por camadas, o que pode levar a uma degradação severa do desempenho em níveis elevados de esparsidade. Reconhecendo as contribuições variáveis de diferentes camadas nos LLMs, estudos recentes têm direcionado seu foco para a poda não uniforme por camadas. No entanto, essas abordagens frequentemente dependem de valores pré-definidos, o que pode resultar em desempenho subótimo. Para superar essas limitações, propomos um novo método chamado Poda Dinâmica por Camadas (Dynamic Layerwise Pruning - DLP). Essa abordagem determina adaptativamente a importância relativa de cada camada ao integrar os pesos do modelo com informações de ativação de entrada, atribuindo taxas de poda de acordo. Resultados experimentais mostram que o DLP preserva efetivamente o desempenho do modelo em níveis elevados de esparsidade em múltiplos LLMs. Especificamente, com 70% de esparsidade, o DLP reduz a perplexidade do LLaMA2-7B em 7,79 e melhora a precisão média em 2,7% em comparação com os métodos mais avançados atualmente. Além disso, o DLP é compatível com várias técnicas de compressão de LLMs existentes e pode ser integrado de forma contínua ao Ajuste Fino Eficiente em Parâmetros (Parameter-Efficient Fine-Tuning - PEFT). Disponibilizamos o código em https://github.com/ironartisan/DLP para facilitar pesquisas futuras.

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.