在互联网传输中，压缩技术至关重要。传统的gzip算法已难以满足现代需求，尤其在动态内容和高并发环境下。Zstandard（zstd）作为新一代压缩算法，由Meta开发，提供更高的压缩比和更快的解压速度，适合边缘计算场景。启用zstd可显著提升传输效率，降低带宽成本，优化用户体验。

本研究探讨了大型语言模型的压缩技术，重点分析了修剪与量化的联合应用。引入了新的语义保留压缩率（SrCr）指标，证明在相同理论压缩率下，推荐的压缩组合性能提升了20%。

本研究解决了边缘设备上训练和部署深度伪造检测模型的计算与内存限制问题。通过压缩技术和迁移学习，实验表明在90%压缩率下仍能保持性能，尽管存在领域泛化问题，为实际应用提供了理论支持。

本文探讨了大语言模型服务中的键值缓存压缩技术，评估现有算法，识别影响计算效率的问题，并提出实际部署所需的工具，以推动该领域技术的发展与应用。

本文探讨了大型语言模型（LLMs）在处理长上下文时的内存消耗问题，提出了多种优化键-值（KV）缓存的技术。研究表明，通过压缩KV缓存和动态管理内存，可以显著降低内存占用，提高吞吐量，且在不牺牲性能的情况下实现高达95%的压缩比。主要方法包括LESS、SqueezeAttention、KCache、vAttention、CSKV、SimLayerKV和ShadowKV，均展现出良好的应用潜力。

本研究提出了一种基于内容图像的极度压缩运动潜变量编码方法，旨在降低商业视频生成模型的成本。通过变分自编码器实现潜变量64倍压缩，保持视频质量，并显著提高训练和推理效率。实验结果表明，Reducer-DiT在有限计算资源下能够生成高质量的1024*1024分辨率视频，帧率达到每秒15.5帧。

该论文介绍了提高深度神经网络加速效果的方法，包括整合不同层面的改进技术和调整参数。研究发现模型大小、准确性和推理时间之间没有必然关联，压缩技术的加速效果受硬件平台影响。编译器自动调优可能改变最佳算法的选择，因此需要协同设计来优化加速深度学习的解决方案。

本研究介绍了一种名为低秩引导训练（LoRITa）的压缩技术，通过组合线性层和奇异值截断来促进低秩性，无需改变结构或进行额外优化。实验证明其有效性，在FLOPs和参数减少方面取得了竞争性或SOTA结果。

D-NeRV是一种新的神经表示框架，用于高效编码长时间或大量不同内容的视频。与现有的NeRV和传统视频压缩技术相比，D-NeRV在相同的压缩率下，在UCF101数据集上的准确度提高了3至10％。

本文介绍了一种通过FLORA框架实现的低秩逼近方法，可以通过低秩感知的候选过滤策略和低秩特定训练方法来降低计算负载。相比简单均匀配置，该方法可以额外减少33%的操作次数，并且可以与压缩技术和紧凑混合结构整合以达到更高的FLOPs减少率。

本文介绍了华为云数据库GaussDB的压缩技术，包括冷热判定和块内压缩的实现方式，以及对业务的影响评估和运维提示。作者表示将继续创新迭代，为业务创造更大价值。