model-pruning
✓使用 Wanda 和 SparseGPT 等修剪技術減少 LLM 大小並加速推理。在無需重新訓練的情況下壓縮模型、以最小的精度損失實現 50% 的稀疏度或在硬體加速器上實現更快的推理時使用。涵蓋非結構化剪枝、結構化剪枝、N:M 稀疏性、幅度剪枝和一次性方法。
SKILL.md
Key Techniques: Wanda (weights × activations), SparseGPT (second-order), structured pruning, N:M sparsity
Papers: Wanda ICLR 2024 (arXiv 2306.11695), SparseGPT (arXiv 2301.00774)
| Method | Accuracy Loss | Speed | Memory | Retraining Needed |
使用 Wanda 和 SparseGPT 等修剪技術減少 LLM 大小並加速推理。在無需重新訓練的情況下壓縮模型、以最小的精度損失實現 50% 的稀疏度或在硬體加速器上實現更快的推理時使用。涵蓋非結構化剪枝、結構化剪枝、N:M 稀疏性、幅度剪枝和一次性方法。 來源：orchestra-research/ai-research-skills。
可引用資訊
為搜尋與 AI 引用準備的穩定欄位與指令。
- 安裝指令
npx skills add https://github.com/orchestra-research/ai-research-skills --skill model-pruning- 分類
- </>開發工具
- 認證
- ✓
- 收錄時間
- 2026-02-11
- 更新時間
- 2026-02-18
快速解答
什麼是 model-pruning？
使用 Wanda 和 SparseGPT 等修剪技術減少 LLM 大小並加速推理。在無需重新訓練的情況下壓縮模型、以最小的精度損失實現 50% 的稀疏度或在硬體加速器上實現更快的推理時使用。涵蓋非結構化剪枝、結構化剪枝、N:M 稀疏性、幅度剪枝和一次性方法。 來源：orchestra-research/ai-research-skills。
如何安裝 model-pruning？
開啟你的終端機或命令列工具（如 Terminal、iTerm、Windows Terminal 等） 複製並執行以下指令：npx skills add https://github.com/orchestra-research/ai-research-skills --skill model-pruning 安裝完成後，技能將自動設定到你的 AI 程式設計環境中，可以在 Claude Code 或 Cursor 中使用
這個 Skill 的原始碼在哪？
https://github.com/orchestra-research/ai-research-skills
詳情
- 分類
- </>開發工具
- 來源
- skills.sh
- 收錄時間
- 2026-02-11