paper.dinq.meAI 与前沿科学顶会 · 学术新星雷达
登录 DINQ
返回新星榜
GL

Guangyan Li

ACL 2026效率与系统可解释性数据与预训练
新星分贡献者
32
一作贡献0
核心/参与12
方向广度6
合作网络3
0 一作 · 1 篇 · ACL 2026

获取完整研究档案

首次获取该候选人的完整档案及 StartLux 评估共 20 积分;每位用户单独解锁,之后查看免费。主动刷新 20 积分。

联系方式

实时查找电子邮箱,费用不超过20积分;未找到邮箱不扣费。

2026 顶会论文

1
作者位次 #2/8ACL 2026Poster· Natural Language Processing

Dual Activation-Weight Sparsity: A Training-Free Framework for Efficient Large Language Model Compression

Luoyang Sun · Guangyan Li · Cheng Deng · Haifeng Zhang · Jian Zhao · Yongqiang Tang · Wensheng Zhang · Jun Wang

摘要

Large language models (LLMs) excel at natural language tasks but face deployment challenges due to computational demands. We introduce Dual Activation-Weight Sparsity (DAWS) , a training-free framework that jointly exploits activation and weight sparsity through magnitude-based routing. Systemati...

效率与系统可解释性数据与预训练OpenReview 项目页

常见合作者