LoRAPrune是一个高性能的大规模预训练模型微调和部署框架，使用PEFT感知的剪枝标准和LoRA的梯度值和梯度重要性估计，通过迭代剪枝过程删除冗余参数，实现高精度和高压缩比。实验结果表明，在各个任务中都达到了最先进的结果，并在VTAB-1k基准测试中，使用可训练参数的仅0.76％，比幅度和移动剪枝方法高5.7％和4.3％，同时保留微调优点和PEFT方法的性能。

LoRAPrune是一个用于高性能大规模预训练模型的高效微调和部署的框架。它使用PEFT感知的剪枝标准和基于LoRA的梯度值和梯度重要性估计，通过迭代剪枝过程删除冗余参数，实现高精度和高压缩比。实验结果表明，该方法在各个任务中达到了最先进的结果，并在VTAB-1k基准测试中，使用可训练参数的仅0.76％，比幅度和移动剪枝方法高5.7％和4.3％，同时保留微调优点，实现与PEFT方法可比较的性能。