Un Análisis Detallado de la Mezcla de Expertos en Modelos de Lenguaje a Gran Escala

A Closer Look into Mixture-of-Experts in Large Language Models

June 26, 2024

Autores: Ka Man Lo, Zeyu Huang, Zihan Qiu, Zili Wang, Jie Fu

cs.AI

Resumen

El enfoque de mezcla de expertos (MoE, por sus siglas en inglés) está atrayendo una atención creciente debido a sus propiedades únicas y su rendimiento notable, especialmente en tareas de lenguaje. Al activar de manera dispersa un subconjunto de parámetros para cada token, la arquitectura MoE puede aumentar el tamaño del modelo sin sacrificar la eficiencia computacional, logrando un mejor equilibrio entre el rendimiento y los costos de entrenamiento. Sin embargo, el mecanismo subyacente de MoE aún requiere una mayor exploración, y su grado de modularización sigue siendo cuestionable. En este artículo, realizamos un primer intento por comprender el funcionamiento interno de los modelos de lenguaje grandes basados en MoE. Concretamente, estudiamos de manera exhaustiva las características paramétricas y comportamentales de tres modelos recientes basados en MoE y revelamos algunas observaciones intrigantes, incluyendo (1) Las neuronas actúan como expertos de grano fino. (2) El enrutador de MoE suele seleccionar expertos con normas de salida más grandes. (3) La diversidad de expertos aumenta a medida que se avanza en las capas, aunque la última capa es una excepción. Basándonos en estas observaciones, también proporcionamos sugerencias para una amplia gama de profesionales de MoE, como el diseño de enrutadores y la asignación de expertos. Esperamos que este trabajo pueda arrojar luz sobre futuras investigaciones en el marco de MoE y otras arquitecturas modulares. El código está disponible en https://github.com/kamanphoebe/Look-into-MoEs.

English

Mixture-of-experts (MoE) is gaining increasing attention due to its unique properties and remarkable performance, especially for language tasks. By sparsely activating a subset of parameters for each token, MoE architecture could increase the model size without sacrificing computational efficiency, achieving a better trade-off between performance and training costs. However, the underlying mechanism of MoE still lacks further exploration, and its modularization degree remains questionable. In this paper, we make an initial attempt to understand the inner workings of MoE-based large language models. Concretely, we comprehensively study the parametric and behavioral features of three recent MoE-based models and reveal some intriguing observations, including (1) Neurons act like fine-grained experts. (2) The router of MoE usually selects experts with larger output norms. (3) The expert diversity increases as the layer increases, while the last layer is an outlier. Based on the observations, we also provide suggestions for a broad spectrum of MoE practitioners, such as router design and expert allocation. We hope this work could shed light on future research on the MoE framework and other modular architectures. Code is available at https://github.com/kamanphoebe/Look-into-MoEs.