# LayerTrim تقلّص النماذج من دون تدريب وتحافظ على قدرتها على الاستدلال

> تقلّص طريقة LayerTrim أجزاءً من طبقات MLP في وحدات فك الترميز، فتسرّع Qwen3‑14B بمقدار 1.24× وتخفض استهلاك الذاكرة بنسبة 19.7% مع الحفاظ على الاستدلال المطوّل.

Oossa · 2026-10-15 · https://oossa.com/ar/layertrim-offers-training-free-pruning-that-keeps-reasoning-ability

قدّم باحثون LayerTrim، وهي تقنية تقليم منظّم للنماذج اللغوية الكبيرة لا تتطلب تدريبًا. تزيل التقنية طبقات فك ترميز زائدة، مع الإبقاء على آليات الانتباه، ما يساعد في الحفاظ على الأداء في المهام التي تتطلب استدلالًا مطوّلًا. وفي نموذج Qwen3 ذي 14 مليار معلمة، تجعل LayerTrim مرحلة الملء الأولي أسرع بمقدار 1.24 مرة، وتخفض ذروة استخدام ذاكرة GPU بنسبة 19.7% مقارنةً بالنموذج غير المقلّم. وعبر ثلاثة نماذج وخمسة معايير قياس، حسّنت متوسط الدقة بما يصل إلى 21.4 نقطة مقارنةً بطريقة RESP السابقة.

## الحقائق

- نُشرت الورقة يوم Thu Oct 15 2026
- تحقق LayerTrim ملءً أوليًا أسرع بمقدار 1.24× وذروة استخدام ذاكرة GPU أقل بنسبة 19.7% على Qwen3‑14B

## لماذا يهم

يمكن للمطورين نشر نماذج لغوية أصغر وأسرع لمهام الاستدلال من دون تكبّد كلفة إعادة التدريب.

## المصادر والمراجع

1. [Unlocking Structured Pruning for Reasoning Language Models via Attention-Preserving MLP Trimming](https://arxiv.org/abs/2610.19121) – arXiv cs.LG, 2026-10-15

آخر تحديث: 2026-10-15