Необоснованная неэффективность более глубоких слоев

The Unreasonable Ineffectiveness of the Deeper Layers

March 26, 2024

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

cs.AI

Аннотация

Мы проводим эмпирическое исследование простой стратегии обрезки слоев для популярных семейств предварительно обученных LLM, обнаруживая минимальное снижение производительности на различных наборах данных для вопросно-ответных задач до тех пор, пока не будет удалена значительная часть (до половины) слоев. Для обрезки этих моделей мы определяем оптимальный блок слоев для обрезки, рассматривая их сходство; затем, для "восстановления" ущерба, мы проводим небольшое количество донастройки. В частности, мы используем методы параметрической донастройки (PEFT), в частности, квантизацию и адаптеры низкого ранга (QLoRA), таким образом, что каждый из наших экспериментов может быть выполнен на одном графическом процессоре A100. С практической точки зрения эти результаты указывают на то, что методы обрезки слоев могут дополнять другие стратегии PEFT для дальнейшего снижения вычислительных ресурсов донастройки с одной стороны, и могут улучшить память и задержку вывода с другой стороны. С научной точки зрения устойчивость этих LLM к удалению слоев подразумевает, что либо текущие методы предварительного обучения не должны должным образом использовать параметры в более глубоких слоях сети, либо поверхностные слои играют критическую роль в хранении знаний.

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.