𓌳 REAP𓌳 Эксперты: почему обрезка преобладает при однократном сжатии MoE Представляем GLM-4.6-REAP-218B-A32B-FP8, сжатый вариант GLM-4.6-FP8 с эффективным использованием памяти, который поддерживает почти идентичную производительность, будучи на 40% легче. Эта модель была создана с использованием REAP (router-weighted Expert Activation Pruning), нового метода сокращения экспертов, который выборочно удаляет лишних экспертов, сохраняя при этом независимый контроль маршрутизатора над оставшимися экспертами. Ключевые особенности включают в себя: — Производительность почти без потерь: обеспечивает почти такую же точность при генерации кода, агентном кодировании и вызове функций по сравнению с полной моделью 355B. — Сокращение памяти на 40 %: параметры сжаты с 355B до 218B, что значительно снижает затраты на развертывание и требования к памяти. — Сохраненные возможности: сохраняются все основные функции, включая генерацию кода, агентские рабочие процессы, понимание масштаба репозитория и вызов функций. — Совместимость с встраиваемыми модулями: Работает с ванильным vLLM — не требуется никаких модификаций исходного кода или пользовательских патчей — Оптимизирован для реального использования: особенно эффективен для сред с ограниченными ресурсами, локального развертывания и научных исследований. Для последующих низкобитных…
Модальности:
Генерация текста
Области применения:
Диалог / чат
Задача: Генерация текста
Автор: cerebras
Теги: glm4_moe, glm, MOE, pruning, compression, conversational, en, endpoints_compatible
Лайков: 44 | Загрузок: 17
Описание основано на материалах HuggingFace. Перевод выполнен автоматически.
