VLM剪枝新SOTA：無需重訓練，注意力去偏置超越6大主流方案
上海大學團隊提出創新去偏方法
上海大學曾丹團隊提出一種無需重新訓練的注意力去偏方法，有效提升模型剪枝性能，使模型在資訊受限的情境下仍能可靠運行。
適用於邊緣計算與移動端部署
該技術為視覺語言模型（VLMs）在移動端與邊緣計算等資源受限環境下的高效部署提供了新可能，有助於實現輕量化與實時推理。
超越主流剪枝方案
該方法在性能上超越了六大主流剪枝方案，展現出更優的穩定性與泛化能力，尤其在少樣本校準集無法充分覆蓋預訓練數據分佈時表現更佳。