LongLoRA: Efficiënte fine-tuning van Large Language Models met lange context

LongLoRA: Efficient Fine-tuning of Long-Context Large Language Models

September 21, 2023

Auteurs: Yukang Chen, Shengju Qian, Haotian Tang, Xin Lai, Zhijian Liu, Song Han, Jiaya Jia

cs.AI

Samenvatting

We presenteren LongLoRA, een efficiënte fine-tuning aanpak die de contextgroottes van vooraf getrainde grote taalmodellen (LLMs) uitbreidt, met beperkte rekenkosten. Normaal gesproken is het trainen van LLMs met lange contextgroottes rekenkundig duur, wat uitgebreide trainingsuren en GPU-bronnen vereist. Het trainen op een contextlengte van 8192 vereist bijvoorbeeld 16x zoveel rekenkosten in de self-attention lagen als bij een contextlengte van 2048. In dit artikel versnellen we de contextuitbreiding van LLMs op twee manieren. Enerzijds, hoewel tijdens de inferentie dichte globale aandacht nodig is, kan het fine-tunen van het model effectief en efficiënt worden uitgevoerd met behulp van sparse lokale aandacht. De voorgestelde shift short attention maakt contextuitbreiding effectief mogelijk, wat leidt tot aanzienlijke rekenbesparingen met vergelijkbare prestaties als fine-tuning met standaard aandacht. Het kan met name worden geïmplementeerd met slechts twee regels code tijdens het trainen, terwijl het optioneel is tijdens de inferentie. Anderzijds herzien we het parameter-efficiënte fine-tuning regime voor contextuitbreiding. Opmerkelijk is dat we ontdekken dat LoRA voor contextuitbreiding goed werkt onder de voorwaarde van trainbare embedding en normalisatie. LongLoRA toont sterke empirische resultaten op verschillende taken op LLaMA2 modellen van 7B/13B tot 70B. LongLoRA breidt LLaMA2 7B uit van 4k context naar 100k, of LLaMA2 70B naar 32k op een enkele 8x A100 machine. LongLoRA breidt de context van modellen uit terwijl hun oorspronkelijke architectuur behouden blijft, en is compatibel met de meeste bestaande technieken, zoals FlashAttention-2. Daarnaast hebben we, om LongLoRA praktisch te maken, een dataset, LongQA, verzameld voor supervised fine-tuning. Deze bevat meer dan 3k lange context vraag-antwoord paren.

English

We present LongLoRA, an efficient fine-tuning approach that extends the context sizes of pre-trained large language models (LLMs), with limited computation cost. Typically, training LLMs with long context sizes is computationally expensive, requiring extensive training hours and GPU resources. For example, training on the context length of 8192 needs 16x computational costs in self-attention layers as that of 2048. In this paper, we speed up the context extension of LLMs in two aspects. On the one hand, although dense global attention is needed during inference, fine-tuning the model can be effectively and efficiently done by sparse local attention. The proposed shift short attention effectively enables context extension, leading to non-trivial computation saving with similar performance to fine-tuning with vanilla attention. Particularly, it can be implemented with only two lines of code in training, while being optional in inference. On the other hand, we revisit the parameter-efficient fine-tuning regime for context expansion. Notably, we find that LoRA for context extension works well under the premise of trainable embedding and normalization. LongLoRA demonstrates strong empirical results on various tasks on LLaMA2 models from 7B/13B to 70B. LongLoRA adopts LLaMA2 7B from 4k context to 100k, or LLaMA2 70B to 32k on a single 8x A100 machine. LongLoRA extends models' context while retaining their original architectures, and is compatible with most existing techniques, like FlashAttention-2. In addition, to make LongLoRA practical, we collect a dataset, LongQA, for supervised fine-tuning. It contains more than 3k long context question-answer pairs.