近來(lái)，大型語(yǔ)言模型（LLM）在各種任務(wù)中表現(xiàn)出色。然而，即便有卓越的任務(wù)處理能力，LLM 卻面臨著巨大的挑戰(zhàn)，這些挑戰(zhàn)源于其巨大的規(guī)模和計(jì)算需求。舉個(gè)例子，GPT-175B 版本具有驚人的 1750 億參數(shù)，至少需要 320GB（使用 1024 的倍數(shù)）的半精度（FP16）格式存儲(chǔ)。此外，部署此模型進(jìn)行推理還需要至少五個(gè) A100 GPU，每個(gè) GPU 具有 80GB 的內(nèi)存，這樣才能有效地保證運(yùn)行。

為了解決這些問(wèn)題，當(dāng)下一種被稱(chēng)為模型壓縮的方法可以成為解決方案。模型壓縮可以將大型、資源密集型模型轉(zhuǎn)換為適合存儲(chǔ)在受限移動(dòng)設(shè)備上的緊湊版本。此外它可以優(yōu)化模型，以最小的延遲更快地執(zhí)行，或?qū)崿F(xiàn)這些目標(biāo)之間的平衡。

除了技術(shù)方面之外，LLM 還引發(fā)了關(guān)于環(huán)境和倫理問(wèn)題的討論。這些模型給發(fā)展中國(guó)家的工程師和研究人員帶來(lái)了重大挑戰(zhàn)，在這些國(guó)家，有限資源可能會(huì)成為獲得模型所需基本硬件的阻力。LLM 的大量能源消耗會(huì)加劇碳排放，人工智能研究與可持續(xù)發(fā)展也是非常重要的一個(gè)問(wèn)題。解決這些挑戰(zhàn)的一個(gè)可能的解決方案是利用模型壓縮技術(shù)，在不顯著影響性能的情況下具有減少碳排放的潛力。通過(guò)它，人類(lèi)可以解決環(huán)境問(wèn)題，增強(qiáng)人工智能的可訪問(wèn)性，并促進(jìn) LLM 部署中的包容性。

本文中，來(lái)自中國(guó)科學(xué)院信息工程研究所、人大高瓴人工智能學(xué)院的研究者闡述了最近在專(zhuān)門(mén)為 LLM 量身定制的模型壓縮技術(shù)領(lǐng)域取得的進(jìn)展。本文對(duì)方法、指標(biāo)和基準(zhǔn)進(jìn)行詳盡的調(diào)查，并進(jìn)行了分類(lèi)。

論文地址：https://arxiv.org/pdf/2308.07633.pdf

如下圖 1 所示，本文提出的分類(lèi)法為理解 LLM 的模型壓縮方法提供了一個(gè)完整的結(jié)構(gòu)化框架。這一探索包括對(duì)已有成熟技術(shù)的透徹剖析，包括但不限于剪枝、知識(shí)蒸餾、量化和低秩因子分解。此外，本文揭示了當(dāng)前的挑戰(zhàn)，并展望了這一發(fā)展領(lǐng)域未來(lái)潛在的研究軌跡。

研究者還倡導(dǎo)社區(qū)合作，為 LLM 建立一個(gè)具有生態(tài)意識(shí)、包羅萬(wàn)象、可持續(xù)的未來(lái)鋪平道路。值得注意的是，本文是專(zhuān)門(mén)針對(duì) LLM 的模型壓縮領(lǐng)域的首篇綜述。

方法論

剪枝

剪枝是一種強(qiáng)大的技術(shù)，通過(guò)刪除不必要的或冗余組件來(lái)減少模型的大小或復(fù)雜性。眾所周知，有許多冗余參數(shù)對(duì)模型性能幾乎沒(méi)有影響，因此在直接剪掉這些冗余參數(shù)后，模型性能不會(huì)收到太多影響。同時(shí)，剪枝可以在模型存儲(chǔ)、內(nèi)存效率和計(jì)算效率等方面更加友好。

剪枝可以分為非結(jié)構(gòu)化剪枝和結(jié)構(gòu)化剪枝，二者的主要區(qū)別在于剪枝目標(biāo)和由此產(chǎn)生的網(wǎng)絡(luò)結(jié)構(gòu)。結(jié)構(gòu)化剪枝剪掉基于特定規(guī)則的連接或分層結(jié)構(gòu)，同時(shí)保留整體網(wǎng)絡(luò)結(jié)構(gòu)。非結(jié)構(gòu)化剪枝針對(duì)單個(gè)參數(shù)，會(huì)導(dǎo)致不規(guī)則的稀疏結(jié)構(gòu)。最近的研究工作致力于將 LLM 與剪枝技術(shù)相結(jié)合，旨在解決與 LLM 相關(guān)的大規(guī)模和計(jì)算成本。

知識(shí)蒸餾

知識(shí)蒸餾（KD）是一種實(shí)用的機(jī)器學(xué)習(xí)技術(shù)，旨在提高模型性能和泛化能力。該技術(shù)將知識(shí)從被稱(chēng)為教師模型的復(fù)雜模型轉(zhuǎn)移到被稱(chēng)為學(xué)生模型的更簡(jiǎn)單模型。KD 背后的核心思想是從教師模型的全面知識(shí)中轉(zhuǎn)化出更精簡(jiǎn)、更有效的代表。本文概述了使用 LLM 作為教師模型的蒸餾方法。

研究者根據(jù)這些方法是否側(cè)重于將 LLM 的涌現(xiàn)能力（EA）蒸餾到小模型（SLM）進(jìn)行分類(lèi)。因此，這些方法被分為兩類(lèi)：標(biāo)準(zhǔn) KD 和基于 EA 的 KD。對(duì)于視覺(jué)表示任務(wù)，嚇圖 2 提供了 LLM 知識(shí)蒸餾的簡(jiǎn)要分類(lèi)。

下圖 3 為基于 EA 的蒸餾概覽。

量化

在模型壓縮領(lǐng)域，量化已成為一種被廣泛接受的技術(shù)，以緩解深度學(xué)習(xí)模型的存儲(chǔ)和計(jì)算開(kāi)銷(xiāo)。雖然傳統(tǒng)上使用浮點(diǎn)數(shù)表示權(quán)重，但量化將它們轉(zhuǎn)換為整數(shù)或其他離散形式。這種轉(zhuǎn)換大大降低了存儲(chǔ)需求和計(jì)算復(fù)雜性。雖然會(huì)出現(xiàn)一些固有的精度損失，但精巧的量化技術(shù)可以在精度下降最小的情況下實(shí)現(xiàn)實(shí)質(zhì)性模型壓縮。

量化可以分為三種主要方法：量化感知訓(xùn)練（QAT）、量化感知微調(diào)（QAF）以及訓(xùn)練后量化（PTQ）。這些方法的主要區(qū)別在于何時(shí)應(yīng)用量化來(lái)壓縮模型。QAT 在模型的訓(xùn)練過(guò)程中采用量化，QAF 在預(yù)訓(xùn)練模型的微調(diào)階段應(yīng)用量化，PTQ 在模型完成訓(xùn)練后對(duì)其進(jìn)行量化。

最近的研究致力于利用量化來(lái)壓縮 LLM，產(chǎn)生了驚人的結(jié)果。這些工作主要可以分為上述三種方法：量化感知訓(xùn)練、量化感知微調(diào)和訓(xùn)練后量化。此外，下表 1 是應(yīng)用于 LLM 的量化方法的匯總。該表根據(jù) LLM 權(quán)重中的位數(shù)（精度）將這些工作分為 8 位量化和低位量化。

低秩分解

低秩分解是一種模型壓縮技術(shù)，旨在通過(guò)將給定的權(quán)重矩陣分解為兩個(gè)或更多具有明顯較低維度的較小矩陣來(lái)近似給定的矩陣。低秩分解背后的核心思想是將大權(quán)重矩陣 W 分解為兩個(gè)矩陣 U 和 V，使得 W ≈ UV，其中 U 是 m×k 矩陣，V 是 k×n 矩陣，k 比 m 和 n 小得多。U 和 V 的乘積近似于原始權(quán)重矩陣，參數(shù)數(shù)量和計(jì)算開(kāi)銷(xiāo)大幅減少。

在 LLM 研究領(lǐng)域，低秩分解被廣泛采用，以有效地微調(diào) LLM，例如 LORA 及其變體。本文專(zhuān)注于這些使用低秩分解來(lái)壓縮 LLM 的工作。在 LLM 的模型壓縮領(lǐng)域，研究者經(jīng)常將多種技術(shù)與低秩分解相結(jié)合，包括剪枝、量化等，例如 LoRAPrune 和 ZeroQuantFP，在保持性能的同時(shí)實(shí)現(xiàn)更有效的壓縮。

隨著該領(lǐng)域研究的繼續(xù)，在應(yīng)用低秩分解來(lái)壓縮 LLM 方面可能會(huì)有進(jìn)一步發(fā)展，但仍然需要進(jìn)行探索和實(shí)驗(yàn)，以充分利用 LLM 的潛力。

度量和基準(zhǔn)

度量

LLM 的推理效率可以使用各種指標(biāo)來(lái)衡量。這些指標(biāo)考慮了性能的不同方面，通常與全面評(píng)估 LLM 的準(zhǔn)確性和零樣本學(xué)習(xí)能力一起呈現(xiàn)。

這些指標(biāo)包括如下：

• 參數(shù)規(guī)模
• 模型規(guī)模
• 壓縮比
• 推理時(shí)間
• 浮點(diǎn)運(yùn)算（FLOP）

基準(zhǔn)

基準(zhǔn)旨在與未壓縮的 LLM 相比，衡量壓縮 LLM 的有效性、效率和準(zhǔn)確性。這些基準(zhǔn)通常由不同的任務(wù)和數(shù)據(jù)集組成，涵蓋了一系列自然語(yǔ)言處理挑戰(zhàn)。常用基準(zhǔn)包括但不限于 HULK 和 ELUE。

最后研究者認(rèn)為未來(lái)應(yīng)在以下幾個(gè)方面進(jìn)一步探索，包括

• 專(zhuān)業(yè)的基準(zhǔn)測(cè)試
• 性能規(guī)模的權(quán)衡
• 動(dòng)態(tài) LLM 壓縮
• 可解釋性

更多細(xì)節(jié)請(qǐng)參閱原論文。