De Onredelijke Ineffectiviteit van de Diepere Lagen

Samenvatting

We onderzoeken empirisch een eenvoudige strategie voor het snoeien van lagen in populaire families van open-gewicht, vooraf getrainde grote taalmodellen (LLMs), waarbij we minimale prestatievermindering waarnemen op verschillende vraag-antwoordbenchmarks totdat een groot deel (tot de helft) van de lagen is verwijderd. Om deze modellen te snoeien, identificeren we het optimale blok lagen om te verwijderen door de gelijkenis tussen lagen te analyseren; vervolgens voeren we een kleine hoeveelheid finetuning uit om de schade te "herstellen". In het bijzonder gebruiken we parameter-efficiënte finetuningmethoden (PEFT), specifiek kwantisatie en Low Rank Adapters (QLoRA), zodat elk van onze experimenten kan worden uitgevoerd op een enkele A100 GPU. Vanuit een praktisch perspectief suggereren deze resultaten dat methoden voor het snoeien van lagen andere PEFT-strategieën kunnen aanvullen om de benodigde rekenbronnen voor finetuning verder te verminderen, en tegelijkertijd het geheugen en de latentie van inferentie kunnen verbeteren. Vanuit een wetenschappelijk perspectief impliceert de robuustheid van deze LLMs tegen het verwijderen van lagen dat de huidige voorafgaande trainingsmethoden de parameters in de diepere lagen van het netwerk niet optimaal benutten, of dat de ondiepe lagen een cruciale rol spelen in het opslaan van kennis.

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.

De Onredelijke Ineffectiviteit van de Diepere Lagen

The Unreasonable Ineffectiveness of the Deeper Layers

Samenvatting

Support