本研究提出了一种基于共识的层剪枝方法，结合多个相似性指标，克服了单一标准的局限性，实现了78.80%的FLOPs减少，同时降低了能耗和碳排放，分别为66.99%和68.75%。

本研究提出CULL-MT方法，通过结构层剪枝和选择语言方向，解决多语言机器翻译模型推理开销增加的问题。该方法采用贪婪策略识别不重要层，并通过知识蒸馏和参数微调减轻影响。研究表明，NLLB-3.3B模型在多方向翻译中表现鲁棒，而LLaMA3.1-8B-Instruct对层剪枝更敏感。