深層レイヤーの不合理な非効率性

The Unreasonable Ineffectiveness of the Deeper Layers

March 26, 2024

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

cs.AI

要旨

我々は、オープンウェイトの事前学習済み大規模言語モデル（LLM）ファミリーに対して、シンプルなレイヤープルーニング戦略を実証的に研究した。その結果、層の大部分（最大で半分）を削除するまで、様々な質問応答ベンチマークにおける性能の低下は最小限であることがわかった。これらのモデルをプルーニングするために、層間の類似性を考慮して最適な層ブロックを特定し、その後、損傷を「修復」するために少量のファインチューニングを実施した。特に、パラメータ効率的なファインチューニング（PEFT）手法、具体的には量子化と低ランクアダプター（QLoRA）を使用し、各実験を単一のA100 GPUで実行できるようにした。実用的な観点から、これらの結果は、レイヤープルーニング手法が他のPEFT戦略を補完し、一方ではファインチューニングの計算リソースをさらに削減し、他方では推論時のメモリとレイテンシを改善できることを示唆している。科学的な観点から、これらのLLMが層の削除に対して頑健であることは、現在の事前学習手法がネットワークの深層にあるパラメータを適切に活用していないか、あるいは浅い層が知識を保存する上で重要な役割を果たしていることを意味している。

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.