Die unvernünftige Unwirksamkeit der tieferen Schichten

The Unreasonable Ineffectiveness of the Deeper Layers

March 26, 2024

Autoren: Andrey Gromov, Kushal Tirumala, Hassan Shapourian, Paolo Glorioso, Daniel A. Roberts

cs.AI

Zusammenfassung

Wir untersuchen empirisch eine einfache Schicht-Pruning-Strategie für beliebte Familien von Open-Weight-vortrainierten LLMs und stellen fest, dass die Leistung auf verschiedenen Frage-Antwort-Benchmarks nur minimal abnimmt, bis nach einer großen Anzahl (bis zu der Hälfte) der Schichten entfernt werden. Um diese Modelle zu prunen, identifizieren wir den optimalen Block von Schichten, die geprunt werden sollen, indem wir die Ähnlichkeit zwischen den Schichten berücksichtigen; anschließend führen wir zur "Heilung" des Schadens eine geringe Menge an Feinabstimmung durch. Insbesondere verwenden wir parameter-effiziente Feinabstimmungs (PEFT)-Methoden, speziell Quantisierung und Low-Rank-Adapter (QLoRA), so dass jedes unserer Experimente auf einer einzelnen A100 GPU durchgeführt werden kann. Aus praktischer Sicht legen diese Ergebnisse nahe, dass Schicht-Pruning-Methoden andere PEFT-Strategien ergänzen können, um die Rechenressourcen der Feinabstimmung weiter zu reduzieren, und gleichzeitig den Speicher und die Latenz der Inferenz verbessern können. Aus wissenschaftlicher Sicht deutet die Robustheit dieser LLMs gegenüber dem Löschen von Schichten entweder darauf hin, dass aktuelle Vortrainingsmethoden die Parameter in den tieferen Schichten des Netzwerks nicht ordnungsgemäß nutzen oder dass die oberflächlichen Schichten eine entscheidende Rolle bei der Speicherung von Wissen spielen.

English

We empirically study a simple layer-pruning strategy for popular families of open-weight pretrained LLMs, finding minimal degradation of performance on different question-answering benchmarks until after a large fraction (up to half) of the layers are removed. To prune these models, we identify the optimal block of layers to prune by considering similarity across layers; then, to "heal" the damage, we perform a small amount of finetuning. In particular, we use parameter-efficient finetuning (PEFT) methods, specifically quantization and Low Rank Adapters (QLoRA), such that each of our experiments can be performed on a single A100 GPU. From a practical perspective, these results suggest that layer pruning methods can complement other PEFT strategies to further reduce computational resources of finetuning on the one hand, and can improve the memory and latency of inference on the other hand. From a scientific perspective, the robustness of these LLMs to the deletion of layers implies either that current pretraining methods are not properly leveraging the parameters in the deeper layers of the network or that the shallow layers play a critical role in storing knowledge.