MiniPLM: Destilación de Conocimiento para la Preentrenamiento de Modelos de Lenguaje

MiniPLM: Knowledge Distillation for Pre-Training Language Models

October 22, 2024

Autores: Yuxian Gu, Hao Zhou, Fandong Meng, Jie Zhou, Minlie Huang

cs.AI

Resumen

La destilación del conocimiento (KD) se utiliza ampliamente para entrenar modelos de lenguaje (LMs) pequeños y de alto rendimiento utilizando grandes LMs maestros. Si bien es efectiva en el ajuste fino, la KD durante la preentrenamiento enfrenta desafíos en eficiencia, flexibilidad y efectividad. Los métodos existentes incurren en altos costos computacionales debido a la inferencia en línea del maestro, requieren la coincidencia de la tokenización entre los LMs maestro y estudiante, o corren el riesgo de perder la dificultad y diversidad de los datos de entrenamiento generados por el maestro. Para abordar estos problemas, proponemos MiniPLM, un marco de KD para la preentrenamiento de LMs refinando la distribución de los datos de entrenamiento con el conocimiento del maestro. Para la eficiencia, MiniPLM realiza la inferencia del LM maestro sin conexión, lo que permite la KD para múltiples LMs estudiantes sin agregar costos de tiempo de entrenamiento. Para la flexibilidad, MiniPLM opera únicamente en el corpus de entrenamiento, lo que permite la KD entre familias de modelos. Para la efectividad, MiniPLM aprovecha las diferencias entre LMs grandes y pequeños para mejorar la dificultad y diversidad de los datos de entrenamiento, ayudando a los LMs estudiantes a adquirir conocimientos versátiles y sofisticados. Experimentos extensos demuestran que MiniPLM mejora el rendimiento de los LMs estudiantes en 9 tareas ampliamente utilizadas, mejora las capacidades de modelado del lenguaje y reduce la computación de preentrenamiento. El beneficio de MiniPLM se extiende a grandes escalas de preentrenamiento, evidenciado por la extrapolación de las curvas de escala. Un análisis adicional revela que MiniPLM soporta la KD entre familias de modelos y mejora la utilización de los datos de preentrenamiento. Nuestro modelo, código y datos están disponibles en https://github.com/thu-coai/MiniPLM.

English

Knowledge distillation (KD) is widely used to train small, high-performing student language models (LMs) using large teacher LMs. While effective in fine-tuning, KD during pre-training faces challenges in efficiency, flexibility, and effectiveness. Existing methods either incur high computational costs due to online teacher inference, require tokenization matching between teacher and student LMs, or risk losing the difficulty and diversity of the teacher-generated training data. To address these issues, we propose MiniPLM, a KD framework for pre-training LMs by refining the training data distribution with the teacher's knowledge. For efficiency, MiniPLM performs offline teacher LM inference, allowing KD for multiple student LMs without adding training-time costs. For flexibility, MiniPLM operates solely on the training corpus, enabling KD across model families. For effectiveness, MiniPLM leverages the differences between large and small LMs to enhance the difficulty and diversity of the training data, helping student LMs acquire versatile and sophisticated knowledge. Extensive experiments demonstrate that MiniPLM boosts the student LMs' performance on 9 widely used downstream tasks, improves the language modeling capabilities, and reduces pre-training computation. The benefit of MiniPLM extends to large pre-training scales, evidenced by the extrapolation of the scaling curves. Further analysis reveals that MiniPLM supports KD across model families and enhances the utilization of pre-training data. Our model, code, and data are available at https://github.com/thu-coai/MiniPLM.