论文提出 J-BI：用雅可比透镜加权改进 Transformer 深度剪枝
原文标题：Output-Aware Block Influence: Jacobian-Lens Weighting for Depth Pruning
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
arXiv 论文针对深度剪枝中 Block Influence 判据的局限，提出用 Jacobian Lens 将层内扰动映射到最终残差流，形成 J-BI 打分。在 Qwen3-8B、Llama-3.1-8B-IT 与 Gemma-3-12B-IT 上，同等稀疏度下剪枝后准确率最高提升 19 个百分点，并降低困惑度损失。
- 问题
- 深度剪枝依赖的 Block Influence 判据只看层内局部冗余，未必反映下游影响。
- 方法
- 用 Jacobian Lens 把层内扰动映射到最终残差流，对 BI 打分加权得到 J-BI。
- 结果
- 同等稀疏度下剪枝后准确率最高提升 19 个百分点，困惑度损失更小（Qwen3-8B、Llama-3.1-8B-IT、Gemma-3-12B-IT）。
- 影响
- 为模型压缩提供更可靠的层重要性打分，可直接替换现有剪枝流程中的 BI 判据。
深读 · 结论先行AI 生成展开看要点与影响 ↓
J-BI 用雅可比透镜改进深度剪枝打分，同等稀疏度准确率最高升 19 点
- •针对 Block Influence 判据的局限：局部冗余不等于下游无关
- •用 Jacobian Lens 将层内扰动映射到最终残差流，形成 J-BI 打分
- •在 Qwen3-8B、Llama-3.1-8B-IT、Gemma-3-12B-IT 上同等稀疏度准确率最高提升 19 个百分点
- •同时降低剪枝对困惑度的损害
- •通过单块消融与 J-Lens 探针解释改进来源
为什么重要：深度剪枝判据直接影响剪枝后模型质量，对需要在固定显存下部署 8B-12B 级模型的团队有参考价值。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。