Uno sguardo più approfondito al Mixture-of-Experts nei Modelli Linguistici di Grandi Dimensioni

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

June 26, 2024

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

cs.AI

Abstract

Il modello Mixture-of-Experts (MoE) sta attirando crescente attenzione grazie alle sue proprietà uniche e alle prestazioni notevoli, specialmente per i compiti linguistici. Attivando in modo sparso un sottoinsieme di parametri per ogni token, l'architettura MoE può aumentare le dimensioni del modello senza sacrificare l'efficienza computazionale, raggiungendo un migliore compromesso tra prestazioni e costi di addestramento. Tuttavia, il meccanismo sottostante del MoE richiede ancora ulteriori esplorazioni, e il suo grado di modularità rimane discutibile. In questo articolo, facciamo un primo tentativo per comprendere il funzionamento interno dei modelli linguistici di grandi dimensioni basati su MoE. Nello specifico, studiamo in modo approfondito le caratteristiche parametriche e comportamentali di tre recenti modelli basati su MoE e riveliamo alcune osservazioni intriganti, tra cui: (1) I neuroni agiscono come esperti a grana fine. (2) Il router del MoE seleziona solitamente esperti con norme di output più grandi. (3) La diversità degli esperti aumenta con l'aumentare dello strato, mentre l'ultimo strato rappresenta un'eccezione. Sulla base di queste osservazioni, forniamo anche suggerimenti per una vasta gamma di praticanti del MoE, come la progettazione del router e l'allocazione degli esperti. Speriamo che questo lavoro possa illuminare future ricerche sul framework MoE e su altre architetture modulari. Il codice è disponibile all'indirizzo 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.