SKIM：通过选择性知识引导掩码对大语言模型智能体进行剪枝

SKIM 提出首个针对结构化生成场景的 LLM 智能体剪枝与蒸馏框架，在工具调用基准中 consistently 提升精度。框架将 token 位置划分为 context、decision 和 format 三类，结合类别感知剪枝敏感度评分与 on-policy 蒸馏目标。在高稀疏度区间，SKIM 的性能优势尤为显著，展示了类别感知压缩在部署时语法约束智能体中的潜力。