计算机科学 > 计算与语言
[提交于 2025年1月3日
]
标题: ICPC:基于上下文提示压缩的快速推理
标题: ICPC: In-context Prompt Compression with Faster Inference
摘要: 尽管大型语言模型(LLMs)最近取得了成功,但由于LLM输入的固定大小,向LLM提供长提示仍然具有挑战性。 作为解决方法,提示压缩通过删除提示中的冗余标记成为一种有前景的解决方案。 然而,在现有工作中使用LLM需要额外的计算资源并导致内存开销。 为了解决这个问题,我们提出了ICPC(上下文提示压缩),这是一种新颖且可扩展的提示压缩方法,能够自适应地减少提示长度。 ICPC的关键思想是使用编码器计算提示中每个词出现的概率,并通过信息函数计算每个词携带的信息,这有效地减少了提示压缩过程中的信息损失并提高了压缩速度。 实证表明,ICPC可以有效压缩不同类别的长文本,从而在不同类型的自然语言处理任务上实现更好的性能和速度。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.