LLM 压缩的能力缩放下降定律
原文标题：Capability Scaling-Down Laws for LLM Compression
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。
论文系统研究剪枝、量化与蒸馏三类 LLM 压缩方法的能力缩放下降规律，在数学、代码生成与问答任务上测量能力损失，并关联模型规模、训练阶段、压缩配置与数据可用性。作者提出简洁预测关系，可将剪枝预测器拟合所需配置测量量减半，并在新模型状态上保持精度。研究还评估了这些预测在压缩方法选择中的决策价值。
- 问题
- LLM 压缩方法选择缺乏可比依据，同等资源削减下能力损失差异大。
- 方法
- 系统测量剪枝、量化、蒸馏在数学、代码、问答上的能力损失，提出可预测的缩放下降关系。
- 结果
- 共享密度响应使拟合剪枝预测器所需配置测量量减半，在 Pythia 与 OLMo-2 上误差在 0.020 nats/token 内。
- 影响
- 让压缩方案选型从试错变为可预测，降低部署大模型时的评测与调参成本。
深读 · 结论先行AI 生成展开看要点与影响 ↓
论文给出 LLM 压缩的能力下降预测关系，剪枝预测器测量量减半。
- •系统研究剪枝、量化、蒸馏三类压缩在数学、代码生成、问答上的能力损失
- •关联模型规模、训练阶段、压缩配置、数据可用性与训练暴露
- •跨剪枝层级共享密度响应，使拟合剪枝预测器所需配置测量量减半
- •在新 Pythia 状态、预注册 OLMo-2 测试状态与 Wanda 剪枝下，紧凑关系与全量回归差距在 0.020 nats/token 内
- •蒸馏实验显示重度数据复用的代价在问答分布上反复出现，净收益取决于评估分布
为什么重要：压缩选型长期靠试错，可预测的能力下降关系能降低选型测量成本，对推理部署的成本—能力权衡有直接决策价值。
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。