RAZOR：剪枝大模型中的可替换专家
原文标题：RAZOR: Pruning Replaceable Experts in LLMs
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。
论文提出 RAZOR，一种免训练的 MoE 专家剪枝方法，通过共识残差评估专家的功能可替换性，而非仅看使用频率或贡献幅度。在 GLM-4.7-Flash、Qwen3.6-35B-A3B、DeepSeek-V4-Flash-0731 与 Hy3 上，25% 与 50% 剪枝率下均取得九任务宏平均最优，并在匹配基准上超过 REAP 2.12–5.59 分。研究同时指出任务保持与预测保真并不保证生成稳定性。
- 问题
- MoE专家剪枝只看使用频率或贡献幅度，无法判断移除后损失多大。
- 方法
- 提出免训练方法RAZOR，用共识残差评估专家功能可替换性，基于单删除恒等式考虑幸存者重归一化与路由补位。
- 结果
- 在GLM-4.7-Flash、Qwen3.6-35B-A3B、DeepSeek-V4-Flash-0731与Hy3上25%/50%剪枝率下八种设置均获九任务宏平均最优，超过REAP 2.12–5.59分。
- 影响
- MoE部署可免训练砍掉四分之一到一半专家省存储，但需注意生成多样性、格式与终止行为会变。
深读 · 结论先行AI 生成展开看要点与影响 ↓
RAZOR以免训练专家剪枝在8个设置中九任务宏平均全胜，匹配基准上超REAP 2.12–5.59分。
- •提出RAZOR，用共识残差评估MoE专家的功能可替换性，而非使用频率或贡献幅度
- •在GLM-4.7-Flash、Qwen3.6-35B-A3B、DeepSeek-V4-Flash-0731与Hy3上，25%与50%剪枝率共8个设置均取得九任务宏平均最优
- •在匹配REAP基准的两个骨干上超出REAP 2.12–5.59分，并赢下全部36组配对任务比较
- •在四个匹配的GLM-4.7-Flash与Qwen3.6-35B-A3B模型-预算设置中，反向KL均低于REAP
- •作者指出任务保持与预测保真并不保证生成稳定性，Qwen3.6-35B-A3B输出在多样性、格式与术语上有变化
为什么重要：免训练、无需梯度与恢复训练即可剪掉25%–50%专家，直接关系MoE模型的存储成本与部署可行性。
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。