MiniPLM: Destilação de Conhecimento para Pré-Treinamento de Modelos de Linguagem

MiniPLM: Knowledge Distillation for Pre-Training Language Models

October 22, 2024

Autores: Yuxian Gu, Hao Zhou, Fandong Meng, Jie Zhou, Minlie Huang

cs.AI

Resumo

A destilação de conhecimento (KD) é amplamente utilizada para treinar modelos de linguagem (LMs) de estudantes pequenos e de alto desempenho usando grandes LMs de professores. Embora eficaz no ajuste fino, a KD durante o pré-treinamento enfrenta desafios em eficiência, flexibilidade e eficácia. Métodos existentes incorrem em altos custos computacionais devido à inferência online do professor, exigem correspondência de tokenização entre LMs de professor e aluno, ou correm o risco de perder a dificuldade e diversidade dos dados de treinamento gerados pelo professor. Para lidar com essas questões, propomos o MiniPLM, um framework de KD para pré-treinar LMs refinando a distribuição dos dados de treinamento com o conhecimento do professor. Para eficiência, o MiniPLM realiza a inferência offline do LM do professor, permitindo a KD para múltiplos LMs de alunos sem adicionar custos de tempo de treinamento. Para flexibilidade, o MiniPLM opera exclusivamente no corpus de treinamento, possibilitando a KD entre famílias de modelos. Para eficácia, o MiniPLM aproveita as diferenças entre LMs grandes e pequenos para aprimorar a dificuldade e diversidade dos dados de treinamento, ajudando os LMs de alunos a adquirir conhecimento versátil e sofisticado. Experimentos extensivos demonstram que o MiniPLM impulsiona o desempenho dos LMs de alunos em 9 tarefas downstream amplamente utilizadas, melhora as capacidades de modelagem de linguagem e reduz a computação de pré-treinamento. O benefício do MiniPLM se estende a grandes escalas de pré-treinamento, evidenciado pela extrapolação das curvas de escalonamento. Análises adicionais revelam que o MiniPLM suporta a KD entre famílias de modelos e aprimora a utilização dos dados de pré-treinamento. Nosso modelo, código e dados estão disponíveis em https://github.com/thu-coai/MiniPLM.

English

Knowledge distillation (KD) is widely used to train small, high-performing student language models (LMs) using large teacher LMs. While effective in fine-tuning, KD during pre-training faces challenges in efficiency, flexibility, and effectiveness. Existing methods either incur high computational costs due to online teacher inference, require tokenization matching between teacher and student LMs, or risk losing the difficulty and diversity of the teacher-generated training data. To address these issues, we propose MiniPLM, a KD framework for pre-training LMs by refining the training data distribution with the teacher's knowledge. For efficiency, MiniPLM performs offline teacher LM inference, allowing KD for multiple student LMs without adding training-time costs. For flexibility, MiniPLM operates solely on the training corpus, enabling KD across model families. For effectiveness, MiniPLM leverages the differences between large and small LMs to enhance the difficulty and diversity of the training data, helping student LMs acquire versatile and sophisticated knowledge. Extensive experiments demonstrate that MiniPLM boosts the student LMs' performance on 9 widely used downstream tasks, improves the language modeling capabilities, and reduces pre-training computation. The benefit of MiniPLM extends to large pre-training scales, evidenced by the extrapolation of the scaling curves. Further analysis reveals that MiniPLM supports KD across model families and enhances the utilization of pre-training data. Our model, code, and data are available at https://github.com/thu-coai/MiniPLM.