跳转至

Read this paper write-up in English

IrekoGPT: Turning Structured Pruning into Post-Hoc Slimmable LLMs

复现级别：L1 核心机制诊断。 执行嵌套子网合同；未加载原模型或复现吞吐。

论文信息

字段 内容
论文链接 arXiv v1
公司/机构 University of Modena and Reggio Emilia（按第一作者署名单位）
首次公开日期 2026-10-01（arXiv v1）
原文开源代码 是：https://github.com/aimagelab/IrekoGPT
Adapter irekogpt
本地复现代码 src/auto_research/foundation_latest_20261003.py

原始论文总结

背景与主要改动

保留 SliceGPT 投影矩阵而非直接丢弃，使同一 checkpoint 暴露嵌套宽度；再以多压缩率校准和 ridge 修正下游线性层。

flowchart LR
  I[输入与当前状态] --> M[irekogpt 核心机制]
  M --> A[可审计中间量]
  A --> O[输出或状态更新]

原论文关键图

IrekoGPT: Turning Structured Pruning into Post-Hoc Slimmable LLMs 原论文 Figure 1

原论文 Figure 1（关键图）：展示原论文方法的总体设计和关键组成。图片来自原论文，版权归原作者所有；点击图片可查看来源。

核心公式

\(W_k=P_{:k}^TWP_{:k}\)，不同 k 共享同一嵌套基。

论文离线与线上效果

Llama/Qwen 初步实验在高压缩率下优于朴素 PCA slimming。

本地复现

本地对照口径：基线为机制关闭或默认状态，实验组执行定义性算子；L1 不报告正式相对提升，百分比不适用。

复现边界

执行嵌套子网合同；未加载原模型或复现吞吐。