本研究提出动态分配软令牌（DAST）方法，旨在解决大型语言模型在处理长上下文时的计算低效和冗余问题。通过结合局部和全局信息，DAST实现了高效的上下文感知压缩，实验结果表明其性能优于现有方法。

本研究提出了TreeKV，一种直观且无需训练的键值缓存压缩方法，旨在解决长序列和资源有限环境中的信息保留问题。TreeKV通过树结构实现平滑缓存压缩，在语言建模任务中表现优异，相比基线模型在长上下文中显著提升性能，最佳效率仅需6%的预算。

本研究提出了一种奇异值缩放（SVS）技术，旨在解决现有生成模型压缩方法的局限性。SVS适用于生成对抗网络（GAN）和扩散模型，通过最小化修剪权重的奇异值差异，提高模型微调效率，显著改善压缩性能，且无需增加训练成本。

本研究提出了一种新的视频扩散模型压缩方法，通过去除冗余浅层区块，提升推理速度，同时保持生成视频的质量和一致性。实验结果表明，该方法显著加快了文本和图像生成视频的推理时间。

该研究提出了一种粗到细的视觉标记压缩方法，有效解决了高分辨率图像带来的视觉标记数量激增和计算成本增加的问题，并在多个数据集上验证了其有效性。

本研究提出了一种新颖的基于扩散的3D点云压缩方法Diff-PCC，解决了传统方法在质量和性能上的不足。该方法通过双空间潜在表示和扩散生成器，实现了在超低比特率下的优越压缩性能和高质量重建。

本文探讨了大型语言模型（LLMs）的压缩方法，提出了一种基于无损数据压缩的排序方法，并比较了不同模型在自然语言处理任务中的表现。研究发现，压缩比率与模型性能正相关，通过剪枝和稀疏性诱导正则化等技术，可以在保持性能的同时显著减少模型参数，提高计算效率。

系统内缓存CPU使用率超过报警阀值，需要解决大key使用问题。大key定义为单个String类型Key大小达到20KB且OPS高、单个String达到100KB、集合类型Key总大小达到1MB、集合类型Key中元素超过5000个。大key导致客户端超时阻塞、网络阻塞、工作线程阻塞和内存分布不均。处理方法包括删除不再使用的key、平铺缓存Set和HASH类型的大key、分割大对象为多个key-value、压缩数据大小、定期清理过期key。

本文提出了一种新的视频编码和压缩方法，结合时间相关性和深度学习技术，显著提高了视频质量和压缩效率。实验结果表明，该方法在多个数据集上表现优异，降低了数据传输量和能耗，适用于实时流媒体和监控视频处理。

本文提出了一种创新的大规模语言模型压缩方法，通过降阶建模和重参数化，在内存和时间限制下逐层压缩十亿级模型。该方法结合低秩分解和结构化剪枝，显著提高了训练和推理速度，适用于BERT模型的微调，表现优于现有技术。

最近的研究展示了一种名为LLM-KICK的无需训练和无需数据的压缩方法，可成功压缩大型语言模型。该研究探讨了该方法的优点和缺点，并研究了稀疏化和量化对语言理解、推理、生成、检索和摘要等任务的影响。希望该研究能推动语言模型压缩方法的发展。

最近的研究展示了一种名为LLM-KICK的无需训练和无需数据的压缩方法，可以成功压缩大型语言模型。该研究探讨了稀疏化和量化对语言理解、推理、生成、检索和摘要等任务的影响，并介绍了该方法的优点和缺点。希望这项研究能够推动语言模型压缩方法的发展。

最近的研究展示了一种无需训练和无需数据的压缩方法在压缩大型语言模型方面取得了成功。研究介绍了一种名为LLM-KICK的压缩语言模型评估协议，并展示了稀疏化和量化对于语言任务的影响。希望这项研究能促进更好的语言模型压缩方法的发展。

最近的研究展示了基于裁剪和量化的压缩方法在压缩大型语言模型方面取得了成功。LLM-KICK压缩语言模型评估协议揭示了当前压缩方法的优缺点，并展示了稀疏化和量化对语言任务的影响。希望这促进更好的语言模型压缩方法的发展。

本文研究了三维点云属性的压缩方法，通过量化参数和编码实现离散样本的恢复。预测和编码的结合提高了编码性能，实验结果显示改进的框架比MPEG G-PCC预测器在比特率降低方面提高了11%到12%。

EELBERT是一种基于transformer模型的压缩方法，成功地显著减小了模型的大小，并在GLUE基准测试中证明了EELBERT与传统BERT模型之间仅有微小的回归差异。