DLP: Динамическое послойное прореживание в крупных языковых моделях

DLP: Dynamic Layerwise Pruning in Large Language Models

May 27, 2025

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

cs.AI

Аннотация

Обрезка (pruning) в последнее время широко применяется для уменьшения масштаба параметров и повышения эффективности вывода крупных языковых моделей (LLM). Основные методы обрезки часто полагаются на унифицированные послойные стратегии, что может приводить к значительному ухудшению производительности при высоких уровнях разреженности. Учитывая различный вклад разных слоев в LLM, современные исследования сместили фокус на неоднородную послойную обрезку. Однако эти подходы часто основываются на заранее заданных значениях, что может приводить к неоптимальной производительности. Чтобы преодолеть эти ограничения, мы предлагаем новый метод, называемый Динамической Послойной Обрезкой (Dynamic Layerwise Pruning, DLP). Этот подход адаптивно определяет относительную важность каждого слоя, интегрируя веса модели с информацией об активациях входных данных, и назначает соответствующие коэффициенты обрезки. Экспериментальные результаты показывают, что DLP эффективно сохраняет производительность модели при высоких уровнях разреженности для различных LLM. В частности, при 70% разреженности DLP снижает перплексию модели LLaMA2-7B на 7,79 и повышает среднюю точность на 2,7% по сравнению с современными методами. Более того, DLP совместима с различными существующими методами сжатия LLM и может быть легко интегрирована в параметрически эффективную тонкую настройку (Parameter-Efficient Fine-Tuning, PEFT). Мы публикуем код по адресу https://github.com/ironartisan/DLP для содействия дальнейшим исследованиям.

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.