본 논문은 대규모 언어 모델(LLM)의 하드웨어 요구 사항을 줄이기 위해 널리 사용되는 기술인 가지치기(Pruning) 후 성능 저하를 완화하기 위한 재학습(Post-training)의 최적 데이터 크기를 탐구합니다. Llama-3 및 Qwen-2.5 시리즈 모델을 다양한 가지치기 방법으로 가지치기 한 후 광범위한 실험을 통해 가지치기 후 재학습에 대한 스케일링 법칙인 P$^2$ 법칙을 발견했습니다. P$^2$ 법칙은 가지치기 후 모델의 재학습 손실을 예측하기 위한 네 가지 주요 요소(가지치기 전 모델 크기, 재학습 토큰 수, 가지치기 비율, 가지치기 전 모델 손실)를 제시하며, 더 큰 데이터셋 크기, 더 큰 모델 크기 및 더 높은 가지치기 비율에도 일반화될 수 있음을 보여줍니다.
