A Ineficácia Irracional das Camadas Mais Profundas

The Unreasonable Ineffectiveness of the Deeper Layers

March 26, 2024

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

cs.AI

Resumo

Estudamos empiricamente uma estratégia simples de poda de camadas para famílias populares de LLMs pré-treinados de pesos abertos, encontrando uma degradação mínima de desempenho em diferentes benchmarks de questionamento e resposta até que uma grande fração (até metade) das camadas seja removida. Para podar esses modelos, identificamos o bloco ideal de camadas a ser podado considerando a similaridade entre as camadas; em seguida, para "curar" o dano, realizamos uma pequena quantidade de ajuste fino. Em particular, utilizamos métodos de ajuste fino eficiente em parâmetros (PEFT), especificamente quantização e Low Rank Adapters (QLoRA), de modo que cada um de nossos experimentos possa ser realizado em uma única GPU A100. De uma perspectiva prática, esses resultados sugerem que métodos de poda de camadas podem complementar outras estratégias PEFT para reduzir ainda mais os recursos computacionais de ajuste fino, por um lado, e podem melhorar a memória e a latência de inferência, por outro. De uma perspectiva científica, a robustez desses LLMs à remoção de camadas implica que os métodos atuais de pré-treinamento não estão aproveitando adequadamente os parâmetros nas camadas mais profundas da rede ou que as camadas superficiais desempenham um papel crítico no armazenamento de conhecimento.

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.