本文介绍了E-Sparse修剪度量设计，用于提高大型语言模型的稀疏性准确性。通过信息熵和创新技术，E-Sparse能快速优化信息分布并应对稀疏性对准确性的影响。实验结果显示，E-Sparse能加速模型推理并节省内存。

该研究提出了E-Sparse修剪度量设计，利用信息熵提高大型语言模型的稀疏性准确性，快速优化信息分布和节省内存。实验结果表明，E-Sparse可以显著加速模型推理，同时实现内存节省。