Improving Large Language Model Performance Through Compression and Optimization
Notice bibliographique
Résumé
The rapid advancement of large language models (LLMs) has driven remarkable improvements in natural language processing (NLP) applications. However, their escalating size and computational complexity pose significant challenges for real-world deployment, particularly in latency-sensitive, resource-constrained, and energy-limited environments. Model compression techniques have emerged as a vital solution to mitigate these challenges by reducing model size, enhancing inference speed, and improving memory efficiency without compromising performance. This survey provides a comprehensive overview of state-of-the-art compression strategies tailored for LLMs, including pruning, quantization, knowledge distillation, low-rank approximation, and weight sharing. We also explore hardware-aware optimizations that leverage specialized hardware accelerators such as GPUs, TPUs, and FPGAs to maximize efficiency. Furthermore, we examine inference frameworks and libraries that facilitate efficient model deployment across diverse environments. In addition to covering established techniques, this survey highlights emerging trends in parameter-efficient fine-tuning and adaptive compression strategies that dynamically adjust model complexity based on input characteristics. We also discuss the trade-offs associated with various compression methods, including accuracy loss, hardware compatibility, and deployment overhead. Finally, we outline key open challenges in model compression, such as improving generalization in compressed models, ensuring energy-efficient deployment, and enhancing privacy and security. By consolidating insights from recent advancements, this survey aims to provide researchers and practitioners with a comprehensive guide to designing efficient language models capable of delivering high performance in resource-constrained settings.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,008 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».