Startseite Projekte SVD-LLM
SVD-LLM
Python

SVD-LLM

[ICLR 2025🔥] SVD-LLM & [NAACL 2025🔥] SVD-LLM V2

von AIoT-MLSys-Lab · GitHub
Sterne
Forks
Erstellt
Letzter Commit
Sprache
efficient-modelsgenerative-ailarge-language-modelsApache-2.0Python
Auf GitHub ansehen
In einfachen Worten

Komprimieren Sie große Sprachmodelle, um sie effizienter für die Verwendung in Anwendungen zu machen.

Betreuen Sie dieses Projekt?

Beanspruchen Sie die Seite: indexiert unabhangig vom Rang, in sechs Sprachen ubersetzt und mit Ihren eigenen Worten erganzt.

Diese Seite beanspruchen →
SVD-LLM — GitHub preview card
📈 Sternhistorie
303301
2026-07-202026-08-17
📈 SVD-LLM verfolgen

Erhalten Sie eine E-Mail-Benachrichtigung beim nächsten Release oder wenn es durchstartet.

Kostenlos · ohne Karte · jederzeit abbestellbar
E-Mail-Alerts erhalten →
📄 Über

[ICLR 2025🔥] SVD-LLM & [NAACL 2025🔥] SVD-LLM V2

SVD-LLM hat 303 Sterne auf GitHub. Es wurde 47-mal geforkt. SVD-LLM ist hauptsächlich in Python geschrieben. Es wird seit 2024 aktiv entwickelt. SVD-LLM ist unter der Apache-2.0-Lizenz verfügbar. Die Hauptthemen sind: efficient-models, generative-ai, large-language-models, model-compression.

Frequently asked questions

Was ist SVD-LLM?

[ICLR 2025🔥] SVD-LLM & [NAACL 2025🔥] SVD-LLM V2

Ist SVD-LLM Open Source?

SVD-LLM ist ein Open-Source-Projekt. Es wird unter der Apache-2.0-Lizenz veröffentlicht.

Ist SVD-LLM kostenlos?

Ja. SVD-LLM ist kostenlos und Open Source — Sie können es nutzen, anpassen und selbst hosten.

Unter welcher Lizenz steht SVD-LLM?

SVD-LLM ist unter der Apache-2.0-Lizenz verfügbar.

In welcher Sprache ist SVD-LLM geschrieben?

SVD-LLM ist hauptsächlich in Python geschrieben.

🏅 Wartender dieses Projekts?
olud.ai badge — SVD-LLM

Fügen Sie dieses Live-Abzeichen zu Ihrem README hinzu — Ihre GitHub-Sterne und Verzeichnisrang, täglich aktualisiert.

[![olud.ai](https://olud.ai/badge.php?tool=aiot-mlsys-lab-svd-llm)](https://olud.ai/project/aiot-mlsys-lab-svd-llm.html)
Weitere Abzeichenoptionen →
🧬 Teilt DNA mit🧬 DNA-Karte ansehen →

Ermittelt aus gemeinsamen GitHub-Topics beider Projekte, gewichtet nach ihrer Seltenheit.