# LayerTrim, akıl yürütmeyi koruyarak modeli eğitimsiz küçültüyor

> Yeni LayerTrim yöntemi, decoder katmanlarının MLP bölümlerini budayarak Qwen3‑14B’yi 1.24× hızlandırıyor ve uzun akıl yürütme performansını korurken bellek kullanımını %19.7 azaltıyor.

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

Araştırmacılar, büyük dil modelleri için eğitim gerektirmeyen yapılandırılmış bir budama tekniği olan LayerTrim’i tanıttı. Yöntem, dikkat mekanizmalarını koruyup gereksiz decoder katmanlarını kaldırarak uzun akıl yürütme gerektiren görevlerde performansın sürdürülmesine yardımcı oluyor. 14 milyar parametreli Qwen3 modelinde LayerTrim, budanmamış modele kıyasla prefill işlemini 1.24 kat hızlandırıyor ve GPU’nun en yüksek bellek kullanımını %19.7 azaltıyor. Üç model ve beş kıyaslama testinde ise önceki RESP yöntemine göre ortalama doğruluğu 21.4 puana kadar artırdı.

## Gerçekler

- Makale 15 Ekim 2026 Perşembe günü yayımlandı
- LayerTrim, Qwen3‑14B’de prefill işlemini 1.24× hızlandırıyor ve GPU’nun en yüksek bellek kullanımını %19.7 azaltıyor

## Neden önemli

Geliştiriciler, maliyetli yeniden eğitim süreçlerine gerek kalmadan akıl yürütme görevleri için daha küçük ve hızlı dil modelleri kullanabilir.

## Kaynaklar ve referanslar

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

Son güncelleme: 2026-10-15