Github
论文项目介绍：Awesome-Efficient-LLM
Awesome-Efficient-LLM 是一个专注于大语言模型（LLM）优化的精选资源列表。这个项目聚焦于通过不同的方法提高大型语言模型的效率，为研究者和开发者提供高效的解决方案和文献参考。
项目主旨
Awesome-Efficient-LLM 主要针对大型语言模型在实际应用中的高计算成本和资源消耗，提供了一系列前沿的研究和方法。这些方法包括网络剪枝、知识蒸馏、量化推理加速等多个领域，旨在通过提升模型的计算效率和资源利用率，最大化模型的性能。
详细内容
项目详细内容涵盖了以下几个重要领域：
- 网络剪枝/稀疏化：通过剪枝技术减少模型不必要的参数，从而降低模型的复杂性和计算需求。
- 知识蒸馏：利用大型预训练模型作为教师模型，将其知识传递给较小的学生模型，从而保留知识的同时降低计算成本。
- 量化：对模型进行量化处理，减少模型参数存储要求，实现更高效的推理。
- 推理加速：多种技术和方法的应用，旨在大幅缩短模型推理时间。
- MOE 效率：提高混元专家（MOE，Mixture of Experts）模型的计算效率。
- KV 缓存压缩：优化缓存数据以减少内存占用并提高访问效率。
- 文本压缩：降低文本数据存储和处理需求。
- 低秩分解：应用数学分解技术，优化模型参数存储和计算。
- 硬件/系统优化：通过硬件和系统级优化实现模型更快的处理能力。
- 模型微调：通过高效的微调方法提高预训练模型在特定任务上的表现。
- 调查研究：总结和探讨模型优化技术的前沿动态和未来发展方向。
- 排行榜：对精选文献的引文和社区反馈进行跟踪和展示。
最新动态
- 项目周年纪念：2024年5月29日，项目迎来一周年纪念。
- 项目目录更新：于2023年9月6日和7月11日分别增加新的子目录，用于更好组织高效 LLM 项目和适用于预训练语言模型（PLM）的研究论文。
如何贡献
项目鼓励各方研究人员和开发者贡献他们的研究成果。如果希望添加或更新论文信息，可以通过提交请求或直接邮件联系，该项目将尽量在时间内进行更新。
推荐文献
项目在各个细分领域中精选了获得社群认可的高星标文献或高引用量论文，供用户参考。
访问完整列表
用户可以根据自己的研究兴趣选择不同的子领域，访问该领域下的所有相关文献。 主页面上仅显示过去 90 天内发布的论文。
结语
Awesome-Efficient-LLM 是一个充满活力的知识共享平台，通过完善的资源和不断更新的信息，助力研究人员和开发者更高效地利用大语言模型。
