0.01%参数定生死！苹果揭秘LLM「超级权重」，删掉就会胡说八道苹果

文章图片

文章图片

文章图片

文章图片

文章图片

文章图片

文章图片

文章图片

文章图片

文章图片

编辑：元宇
【新智元导读】苹果研究人员发现，在大模型中，极少量的参数，即便只有0.01% ，仍可能包含数十万权重，他们将这一发现称为「超级权重」。超级权重点透了大模型「命门」，使大模型走出「炼丹玄学」。

0.01%参数定生死！
在删掉极少量参数后，大模型立刻变得胡言乱语起来，在零样本任务中只会瞎猜，原来的那股聪明劲儿全没了。
【0.01%参数定生死！苹果揭秘LLM「超级权重」，删掉就会胡说八道】但是，如果保留这些极少量参数，即使删掉成千上万其他参数，大模型的智力依然在线，几乎看不出有什么影响。
如果拿一棵树比喻，剪掉树（大模型）的几千片叶子（冗余参数）不会伤筋动骨，但只要砍掉树干上的一个关键节点（核心参数），整棵树可能就死掉了。
这个核心参数，就是大模型中存在的极少数关键性/高敏感度参数。
有时甚至只需一个，就能对大模型的整体功能产生巨大影响。

论文地址：https://arxiv.org/abs/2411.07191
近日，苹果研究人员在论文《大语言模型中的超级权重》（The Super Weight in Large Language Models）中，将上述现象，称为「超级权重现象」。

如上图1左侧显示，带有超级权重的原始Llama-7B ，能顺利接着生成合乎逻辑的内容。
而在图1右侧，当超级权重参数被剪枝后， Llama-7B就开始胡言乱语，生成的全是毫无意义的文本。
这生动诠释了什么叫「打蛇打七寸」：
剪枝一个「超级权重」的特殊参数，就可以完全破坏大模型的能力。

让大模型「科学瘦身」
「超级权重」的发现，为大模型在端侧部署，扫清了道路。
在实际应用中，大模型庞大的体格（动辄数十亿甚至数千亿参数），想要部署在移动端等一些低预算、资源受限等环境中，就像把大象塞进冰箱，往往会面临巨大挑战。
如果只是简单粗暴的等比压缩或简化，就好比削足适履，只会导致模型质量显著下降。
更为合理的做法，是让大模型「科学瘦身」，比如缩小模型的规模和计算复杂度，从而降低内存与功耗。
这时，超级权重就显得至关重要。
在模型压缩和简化过程中，要避免碰到这些数量虽小，却牵一发而动全身的「命门级」参数，避免它们被显著修改（通过压缩）或被完全移除（剪枝）。
即使它们的比例可以小到0.01% ，但对于拥有数十亿参数的模型，仍然意味着有数十万个单独权重。

苹果研究人员发现，如果动了它们，就可能破坏LLM生成连贯文本的能力，比如让困惑度上升3个数量级，这样大模型就几乎「读不懂」语言了。
又或者使大模型的零样本学习准确率降低到「瞎猜」的水平，这意味着大模型的智能也几乎废掉了。

如何定位「超级权重」？
许多研究都显示出：少量最大幅值的异常值对模型质量至关重要。
对于拥有数十亿参数的模型，极少量的参数，即便是只有0.01% ，仍可能包含数十万权重。苹果研究人员将称这个单标量权重为超级权重（super weight）。
超级权重，会放大某个特征，产生超级激活。
超级权重，会诱发相应稀有且幅度巨大的激活离群值，研究人员将之称为super activations（超级激活）。

所谓激活，是指模型在前向传播时，每一层神经元的输出值。
它们通常是在超级权重之后出现，并在随后的层中以一种恒定的幅度和位置持续存在，而不受输入提示词的影响。
比如，一旦某个超级权重参与计算，它会把输入信号放大成异常大的数值，于是紧接着的层中就出现超级激活。
并且，超级激活与超级权重所在通道一致。
于是，研究人员就提出了一种高效定位超权重的方法：
通过超级激活来定位超级权重：利用检测向下投影输入和输出分布跨层中的尖峰来定位超级权重。

为了促进公开研究，研究人员还将一部分常见、公开可用的LLM超级权重标记了出来，如下表2：

研究人员发现，大多数模型每个张量中的超级权重不超过三个。
即使超级权重数量最多的模型（例如Phi-3-mini-4k-instruct）也只包含六个。

研究人员还通过图2 ，展示了超级权重触发超级激活，以及超级激活的传播机制。
图2-I中蓝紫色方框中展示了超级权重的触发，它通常出现在较早层的down projection（降维投影）。
这好比在一开始就有一个「功放器」，把某个信号突然放大到极高的音量。
图2-Ⅱ中表示超级激活通过跳跃连接传播，用蓝紫色线表示，它表示激活不是一次性消失，而是层层跳跃传播下去。
这好比扩音器的噪音通过音响的电路一路传到所有扬声器，无论后续放什么音乐，那个噪音始终存在。
图2-Ⅲ中表示，在最终的输出logits（预测分布）里，超级激活会产生压制停用词（stopwords）的效果。
而移除超级权重，会导致停用词可能性增加，用蓝紫色堆叠条表示。

在图3中， down_proj输入在层2中，仅有一个大幅度的激活值（super activation），这是超级激活首次出现的地方。
图4表示，一旦在第2层被触发，超级激活会在随后的所有层中以相同的幅度、相同的位置持续存在，而不受输入的影响。如果把超级权重剪掉，超级激活的强度会下降75% 。

图5中显示了超级权重对停用词的抑制作用。
研究人员发现，移除超级权重会导致停用词概率增加2-5倍，这在各种LLMs中都存在。
同时，非停用词的概率急剧下降，减少2-3倍，低至0.1%的概率。
整体上看，超权重会影响输出Token的概率分布。

从图6可以看出，增强超权重，可以在一定程度上提高模型准确率。

超级离群值
模型量化的「关键钥匙」
量化是压缩模型、降低模型内存需求的一种强有力技术。
其中影响量化质量的，是一种重要的指标离群值（outliers）。研究人员将超级权重和超级激活统称为超级离群值。
超级离群值，为人们认识大模型，改进大模型压缩技术，提供了一把重要的钥匙。
在该项研究中，研究人员考虑的是一种最简单的量化形式——即非对称的就近取重量化（asymmetric round-to-nearest quantization）：

保留超级权重参数，是大模型「瘦身」的一个黄金原则。
研究人员发现，只要以高精度保留超级激活，通过简单的就近取整（round-to-nearest）量化，也能将模型质量提升到与当前最先进方法相当的水平。
如表3所示，在与FP16、Naive W8A8、SmoothQuant三种模型量化方法的比较中，就近取整量化虽然效果略次于SmoothQuant ，但优于Naive W8A8 ，尤其是在不需要校准数据的前提下，实用性更强。

同样，如果在保留超权重的同时，对其他权重异常值进行裁剪，就近取整量化，也可以实现更好的压缩比。
这意味着只需处理少量「超级离群值」，就能显著提升压缩质量。
研究人员认为，与需要处理数十万离群权重的方法相比，这无疑是一种更友好的硬件方案。
它可以在提升模型效率的同时，又能尽可能保留原有性能。

这也使得强大的LLM应用，在资源受限的硬件上部署和高质量运行，成为可能。

激活量化与权重量化
为了全面展示超级权重的影响，研究人员将研究范围扩大到更多大模型：OLMo（1B和7B版本）、Mistral-7B以及Llama-2-7B 。

表4显示，处理超级激活可以提升激活量化效果。
研究人员遵循SmoothQuant的设置，用FP16算术模拟W8A8量化。
研究结果凸显了超级激活，在量化期间维持模型性能的关键重要性。
研究人员对Llama-7B的分析显示， AWQ将超级权重放大了12倍，这印证了他们对超级权重重要性的判断。

如图7 ，蓝线RTN显示，如果不处理超级权重，随着量化块变大，模型性能急剧下降；紫线Ours表示，如果恢复超级权重，模型准确率下降更平缓，即使大块量化也能维持较好性能。
这说明，只要针对单个超级权重进行特殊处理，就能显著提高量化的稳定性和可扩展性。

探索超级离群值的版图
苹果研究人员的发现，为未来研究打开了多条道路。
毫无疑问，进一步探索超级权重与超级激活的起源及其精确机制，将对LLM的运行动态，带来更深入的洞见。
同样的，理解这些超级权重参数，如何在训练过程中获得如此「超级」的影响力，也可以为未来的模型设计、训练策略提供更有针对性的指导。
从另一个角度看，在更广泛的模型架构和训练范式中，展开对超级权重的研究，也有助于揭示它们的角色和形成机制。
这些都将帮助我们解锁，构建更高效、更稳健、更可解释大模型的创新方法，让大模型告别「炼丹玄学」。

作者简介
Mengxia Yu

Mengxia Yu是圣母大学计算机专业博士生，此前在北京大学获得计算语言学学士学位，本论文是她在苹果公司实习期间完成的。

0.01%参数定生死！苹果揭秘LLM「超级权重」，删掉就会胡说八道

推荐阅读

mysql数据库汉字显示问号

重阳节的习俗重阳节的风俗有哪些简介

滴滴永久封禁怎么解封

轻松使用Desktop管理器-通讯录

防晒霜放了三年还能用吗防晒霜应该怎么保存？

对宝宝皮肤好的方法

母乳分层冷冻保存方法，母乳放冰箱冷藏分层

关于描写冷清的句子

瑞舒伐他汀能长期吃吗

茄子调料汁怎么做好吃

宝宝小便的时候哭是怎么回事

微信文字控头像高清图片适合文字控的背景图片

养一只金毛要花多少钱,宠物狗一年花多少钱

深圳二手车能换新车吗，我有一辆深圳车牌的开了一年半二手车想换一部新车限制有没有问题百

魅蓝跟魅族哪个性能好,魅蓝好还是红米好

涮鸡肉怎么做啊和白菜一起啊