PW-Pruning：语音全模态专家剪枝新方法
热点事件持续更新
PW-Pruning：语音全模态专家剪枝新方法
1 篇报道1 个报道来源10 小时前更新
先了解这件事
AI 综述
Junjie Cao 等作者提出阶段感知的专家剪枝方法 PW-Pruning，为声学预填充与教师强制答案 token 分别构建重要性加权核，再结合阶段加权对数行列式边际增益，选出单一静态专家库。 在 Qwen3-Omni 上，该方法每层保留 128 个专家中的 32 个；经监督微调后，MMAU-mini 与 MMSU 准确率较池化选择分别提升 3.20 和 4.38 个百分点（三次运行平均），且推理时无需切换 mask。
AI 根据报道生成 · 1 小时前更新
最新进展10月21日 12:00
PW-Pruning：面向语音中心全模态模型的阶段感知专家选择方法报道时间线
沿着报道，了解事件的不同侧面。
10月21日
- arXiv cs.CLPW-Pruning：面向语音中心全模态模型的阶段感知专家选择方法
PW-Pruning 提出一种阶段感知的专家剪枝方法，为声学预填充与教师强制答案 token 分别构建重要性加权核，再结合阶段加权对数行列式边际增益选出单一静态专家库。在 Qwen3-Omni 上每层保留 128 个专家中的 32 个，经监督微调后 MMAU-mini 与 MMSU 准确率较池化选择分别提升 3.20 和 4.38 个百分点（三次运行平均），且推理时无需切换 mask。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。