SnowSurvey4EfficientLLM：大语言模型效率研究的系统性文献资源库

SnowSurvey4EfficientLLM是一个聚焦大语言模型（LLM）全生命周期效率优化的系统性文献资源库，涵盖架构创新、模型压缩、推理加速、训练优化、路由策略、评估基准和开源工具七大核心领域，为研究者、工程师和学习者提供清晰知识路径，解决LLM规模膨胀带来的部署与计算挑战。

随着GPT、Claude、Llama等模型参数突破千亿级别，训练和推理成本指数级增长，效率成为LLM落地关键。SnowSurvey4EfficientLLM构建覆盖全生命周期的结构化知识库，其独特性在于系统性和完整性，将效率研究划分为七大领域，形成层次分明的知识图谱。

资源库涵盖七大领域：

1. 综述与基准：通用/细分方向综述、效率评估基准；
2. 架构优化：注意力变体（GQA/MQA）、MoE、替代架构（Mamba/RWKV）；
3. 模型压缩：量化（GPTQ/AWQ）、剪枝（SparseGPT）、蒸馏（MiniLLM）、低秩分解（LoRA）；
4. 推理优化：KV缓存压缩、推测解码、内核优化、系统框架（vLLM）；
5. 训练优化：高效预训练、参数高效微调（QLoRA）；
6. 多模型路由：智能选择组合不同规模模型；
7. 开源工具：推理引擎、优化库、资源汇总。

不同用户使用路径：初学者从综述建立认知，研究者深入特定领域，工程师查找开源工具。目录含主题README、论文列表（含摘要/链接）及代码链接。项目采用MIT许可证，欢迎社区按模板贡献论文，维护者每月更新，最近重大更新在2026年4月。

该资源库为研究者提供前沿捷径，为工程师提供选型参考，为学习者提供知识教材。效率优化是大模型竞争的技术护城河，收录的技术方案正塑造下一代LLM工程实践标准，支撑降低云端成本、端侧部署及实时交互体验提升。

LLM效率革命未结束，各环节突破可带来量级性能提升。SnowSurvey4EfficientLLM以系统性和开放性，为这场革命提供知识基础设施，是参与LLM效率研究的不可多得资源宝库。