一個 7B 規模的語言模型 LLM 能存儲多少人類知識？如何量化這一數值？訓練時間、模型架構的不同將如何影響這一數值？浮點數壓縮 quantization、混合專家模型 MoE、以及數據質量的差異 (百科知識 vs 網絡垃圾) 又將對 LLM 的知識容量產生何種影響？

近日，朱澤園 (Meta AI) 和李遠志 (MBZUAI) 的最新研究《語言模型物理學 Part 3.3：知識的 Scaling Laws》用海量實驗（50,000 條任務，總計 4,200,000 GPU 小時）總結了 12 條定律，為 LLM 在不同條件下的知識容量提供了較為精確的計量方法。

作者首先指出，通過開源模型在基準數據集 (benchmark) 上的表現來衡量 LLM 的 scaling law 是不現實的。例如，LlaMA-70B 在知識數據集上的表現比 LlaMA-7B 好 30%，這并不能說明模型擴大 10 倍僅僅能在容量上提高 30%。如果使用網絡數據訓練模型，我們也將很難估計其中包含的知識總量。

再舉個例子，我們比較 Mistral 和 Llama 模型的好壞之時，到底是他們的模型架構不同導致的區別，還是他們訓練數據的制備不同導致的？

綜合以上考量，作者采用了他們《語言模型物理學》系列論文的核心思路，即制造人工合成數據，通過控制數據中知識的數量和類型，來嚴格調控數據中的知識比特數 (bits)。同時，作者使用不同大小和架構的 LLM 在人工合成數據上進行訓練，并給出數學定理，來精確計算訓練好的模型從數據中學到了多少比特的知識。

• 論文地址：https://arxiv.org/pdf/2404.05405.pdf
• 論文標題：Physics of Language Models: Part 3.3, Knowledge Capacity Scaling Laws

對于這項研究，有人表示這個方向似乎是合理的。我們可以使用非?？茖W的方式對scaling law 進行分析。

也有人認為，這項研究將 scaling law 提升到了不同的層次。當然，對于從業者來說是一篇必讀論文。

研究概覽

作者研究了三種類型的合成數據：bioS、bioR、bioD。bioS 是使用英語模板編寫的人物傳記，bioR 是由 LlaMA2 模型協助撰寫的人物傳記（22GB 總量），bioD 則是一種虛擬但可以進一步控制細節的知識數據（譬如可以控制知識的長度、詞匯量等等細節）。作者重點研究了基于 GPT2、LlaMA、Mistral 的語言模型架構，其中 GPT2 采用了更新的 Rotary Position Embedding (RoPE) 技術。

左圖為訓練時間充足，右圖為訓練時間不足的 scaling laws

上圖 1 簡要概述了作者提出的前 5 條定律，其中左 / 右分別對應了「訓練時間充足」和 「訓練時間不足」兩種情況，分別對應了常見知識（如中國首都是北京）和較少出現的知識（如清華物理系成立于 1926 年）。

如果訓練時間充足，作者發現，不論使用何種模型架構，GPT2 或 LlaMA/Mistral，模型的存儲效率均可以達到 2bit/param—— 即平均每個模型參數可以存儲 2 比特的信息。這與模型的深度無關，僅與模型大小有關。換言之，一個 7B 大小的模型，如果訓練充足，可以存儲 14B 比特的知識，這超過了維基百科和所有英文教科書中人類知識的總和！

更令人驚訝的是，盡管傳統理論認為 transformer 模型中的知識主要存儲在 MLP 層，但作者的研究反駁了這一觀點，他們發現即便移除了所有 MLP 層，模型仍能達到 2bit/param 的存儲效率。

圖 2：訓練時間不足情況下的 scaling laws

然而，當我們觀察訓練時間不足的情況時，模型間的差異就顯現出來了。如上圖 2 所示，在這種情況下，GPT2 模型能比 LlaMA/Mistral 存儲超過 30% 的知識，這意味著幾年前的模型在某些方面超越了今天的模型。為什么會這樣？作者通過在 LlaMA 模型上進行架構調整，將模型與 GPT2 的每個差異進行增減，最終發現是 GatedMLP 導致了這 30% 的損失。

強調一下，GatedMLP 并不會導致模型的「最終」存儲率變化 —— 因為圖 1 告訴我們如果訓練充足它們就不會有差。但是，GatedMLP 會導致訓練不穩定，因此對同樣的知識，需要更長的訓練時間；換句話說，對于較少出現在訓練集里的知識，模型的存儲效率就會下降。

圖 3：quantization 和 MoE 對模型 scaling laws 的影響

作者的定律 8 和定律 9 分別研究了 quantization 和 MoE 對模型 scaling law 的影響，結論如上圖 3 所示。其中一個結果是，將訓練好的模型從 float32/16 壓縮到 int8，竟然對知識的存儲毫無影響，即便對已經達到 2bit/param 存儲極限的模型也是如此。

這意味著，LLM 可以達到「信息論極限」的 1/4—— 因為 int8 參數只有 8 比特，但平均每個參數可以存儲 2 比特的知識。作者指出，這是一個普遍法則（universal law），和知識的表現形式無關。

最引人注目的結果來自于作者的定律 10-12（見圖 4）。如果我們的 (預) 訓練數據中，有 1/8 來自高質量知識庫（如百度百科），7/8 來自低質量數據（如 common crawl 或論壇對話，甚至是完全隨機的垃圾數據）。

那么，低質量數據是否會影響 LLM 對高質量知識的吸收呢？結果令人驚訝，即使對高質量數據的訓練時間保持一致，低質量數據的「存在本身」，可能會讓模型對高質量知識的存儲量下降 20 倍！即便將高質量數據的訓練時間延長 3 倍，知識儲量仍會降低 3 倍。這就像是將金子丟進沙子里，高質量數據被嚴重浪費了。

有什么辦法修復呢？作者提出了一個簡單但極其有效的策略，只需給所有的 (預) 訓練數據加上自己的網站域名 token 即可。例如，將 Wiki 百科數據統統加上 wikipedia.org。模型不需要任何先驗知識來識別哪些網站上的知識是「金子」，而可以在預訓練過程中，自動發現高質量知識的網站，并自動為這些高質量數據騰出存儲空間。

作者提出了一個簡單的實驗來驗證：如果高質量數據都加上一個特殊 token（任何特殊 token 都行，模型不需要提前知道是哪個 token），那么模型的知識存儲量可以立即回升 10 倍，是不是很神奇？所以說對預訓練數據增加域名 token，是一個極其重要的數據制備操作。

圖 4：預訓練數據「知識質量不齊」情形下的 scaling laws，模型缺陷以及如何修復

結語

作者認為，通過合成數據，計算模型在訓練過程中獲得的知識總量的方法，可以為「評估模型架構、訓練方法和數據制備」提供了一套系統且精確的打分體系。這和傳統的 benchmark 比較完全不同，并且更可靠。他們希望這能幫助未來 LLM 的設計者做出更明智的決策。