TY - JOUR

T1 - Экономические аспекты применения метода объединения больших языковых моделей SDM-W

AU - Смирнов, Даниил Олегович

AU - Рачков, Денис

PY - 2025

Y1 - 2025

N2 - Статья посвящена исследованию экономических аспектов применения инновационного метода объединения параметров больших языковых моделей Significant Deltas Merging with Weights (SDM-W). В условиях стремительного развития технологий искусственного интеллекта и роста затрат на обучение крупномасштабных нейросетевых моделей особую актуальность приобретают методы эффективного объединениясуществующих моделей. Предлагаемый метод SDM-W учитывает экономическую целесообразность повторного использования обученных моделей за счёт интеллектуального объединения их параметров с учётом значимости отклонений.Проведён сравнительный анализ с традиционными методами слияния весов, демонстрирующий преимущества SDM-W в аспектах снижения вычислительных затрат и сохранения качества модели. Экспериментальные результаты показывают, что применение SDM-W позволяет сократить затраты на вычислительные ресурсы до 30% при сохранении 95-98% точности исходных моделей. Особое внимание уделено экономическим выгодам метода, включая снижение энергопотребления, оптимизацию использования GPU-ресурсов и возможность создания специализированных моделей без необходимости их полного переобучения. Результаты исследования имеют значительную практическуюценность для компаний, разрабатывающих коммерческие продукты на основе больших языковых моделей, а также для научных организаций с ограниченными вычислительнымиресурсами.

AB - Статья посвящена исследованию экономических аспектов применения инновационного метода объединения параметров больших языковых моделей Significant Deltas Merging with Weights (SDM-W). В условиях стремительного развития технологий искусственного интеллекта и роста затрат на обучение крупномасштабных нейросетевых моделей особую актуальность приобретают методы эффективного объединениясуществующих моделей. Предлагаемый метод SDM-W учитывает экономическую целесообразность повторного использования обученных моделей за счёт интеллектуального объединения их параметров с учётом значимости отклонений.Проведён сравнительный анализ с традиционными методами слияния весов, демонстрирующий преимущества SDM-W в аспектах снижения вычислительных затрат и сохранения качества модели. Экспериментальные результаты показывают, что применение SDM-W позволяет сократить затраты на вычислительные ресурсы до 30% при сохранении 95-98% точности исходных моделей. Особое внимание уделено экономическим выгодам метода, включая снижение энергопотребления, оптимизацию использования GPU-ресурсов и возможность создания специализированных моделей без необходимости их полного переобучения. Результаты исследования имеют значительную практическуюценность для компаний, разрабатывающих коммерческие продукты на основе больших языковых моделей, а также для научных организаций с ограниченными вычислительнымиресурсами.

M3 - статья

VL - 15

SP - 774

EP - 782

JO - Экономика: вчера, сегодня, завтра

JF - Экономика: вчера, сегодня, завтра

SN - 2222-9167

IS - 3А

ER -