TroL: Обход слоев для крупных моделей языка и зрения

TroL: Traversal of Layers for Large Language and Vision Models

June 18, 2024

Авторы: Byung-Kwan Lee, Sangyun Chung, Chae Won Kim, Beomchan Park, Yong Man Ro

cs.AI

Аннотация

Большие модели языка и зрения (LLVM) были разработаны на основе обобщающей мощи больших моделей языка (LLM) и появления настройки визуальных инструкций. Помимо прямого масштабирования, эти модели позволяют LLVM демонстрировать мощные результаты в задачах языкового восприятия (VL), используя естественноязыковые инструкции. Однако существующие открытые LLVM, которые показывают сопоставимые результаты с закрытыми LLVM, такими как GPT-4V, часто считаются слишком объемными (например, 26 млрд, 34 млрд и 110 млрд параметров) с большим количеством слоев. Эти крупные модели требуют дорогостоящих высокопроизводительных ресурсов как для обучения, так и для вывода. Для решения этой проблемы мы представляем новое эффективное семейство LLVM с моделями LLM размером 1,8 млрд, 3,8 млрд и 7 млрд, Трошение слоев (TroL), которое позволяет повторное использование слоев по токенам. Эта техника обхода слоев имитирует эффект возврата и повторного прохождения потока ответов, увеличивая количество слоев прямого распространения без физического добавления новых слоев. Мы показываем, что TroL использует простой подход к обходу слоев, но эффективно превосходит открытые LLVM с более крупными моделями и конкурирует с производительностью закрытых LLVM с значительными размерами.

English

Large language and vision models (LLVMs) have been driven by the generalization power of large language models (LLMs) and the advent of visual instruction tuning. Along with scaling them up directly, these models enable LLVMs to showcase powerful vision language (VL) performances by covering diverse tasks via natural language instructions. However, existing open-source LLVMs that perform comparably to closed-source LLVMs such as GPT-4V are often considered too large (e.g., 26B, 34B, and 110B parameters), having a larger number of layers. These large models demand costly, high-end resources for both training and inference. To address this issue, we present a new efficient LLVM family with 1.8B, 3.8B, and 7B LLM model sizes, Traversal of Layers (TroL), which enables the reuse of layers in a token-wise manner. This layer traversing technique simulates the effect of looking back and retracing the answering stream while increasing the number of forward propagation layers without physically adding more layers. We demonstrate that TroL employs a simple layer traversing approach yet efficiently outperforms the open-source LLVMs with larger model sizes and rivals the performances of the closed-source LLVMs with substantial sizes.