L'inefficacité déraisonnable des couches profondes

The Unreasonable Ineffectiveness of the Deeper Layers

March 26, 2024

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

cs.AI

Résumé

Nous étudions empiriquement une stratégie simple d'élagage de couches pour des familles populaires de grands modèles de langage (LLM) pré-entraînés à poids ouverts, constatant une dégradation minimale des performances sur différents benchmarks de question-réponse jusqu'à ce qu'une grande fraction (jusqu'à la moitié) des couches soit supprimée. Pour élaguer ces modèles, nous identifions le bloc optimal de couches à éliminer en considérant la similarité entre les couches ; puis, pour "réparer" les dommages, nous effectuons un léger ajustement fin. En particulier, nous utilisons des méthodes d'ajustement fin efficace en paramètres (PEFT), spécifiquement la quantification et les adaptateurs de bas rang (QLoRA), de sorte que chacune de nos expériences puisse être réalisée sur une seule GPU A100. D'un point de vue pratique, ces résultats suggèrent que les méthodes d'élagage de couches peuvent compléter d'autres stratégies PEFT pour réduire davantage les ressources computationnelles nécessaires à l'ajustement fin d'une part, et améliorer la mémoire et la latence de l'inférence d'autre part. D'un point de vue scientifique, la robustesse de ces LLMs à la suppression de couches implique soit que les méthodes actuelles de pré-entraînement n'exploitent pas correctement les paramètres dans les couches profondes du réseau, soit que les couches superficielles jouent un rôle crucial dans le stockage des connaissances.

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.