大模型承重墙，去掉了就开始摆烂！苹果给出了「超级权重」

去掉一个「超权重」的影响，比去掉其他 7000 个离群值权重加起来还要严重。

大模型的参数量越来越大，越来越聪明，但它们也越来越奇怪了。

两年前，有研究者发现了一些古怪之处：在大模k g y型中，有一小部分特别重要的特征（称之为「超权重」），D G * p W d # U h它们虽然数量不多，但对模型的表现非常重要。

如果去掉这些「超权重」，模型就完\ % P全摆烂了，开始胡言乱语，文本都不S – , = P Z会生成了。但是如果去掉其他一! p [ g y a ) @些不那么重要的特征，模型的表现只会受到一点点影响。

有趣的是，不同的大模型m j – ) Y P {的「超权重」却出奇地相似，比如：

它们总是出现在

层中。

它们会放大输入 token 激活的离群值，这种现象研究者们称之为「超激活」（super activation）。无论输入什么提示词，「超激活」在整个模型中都以C 2 Q O K R f 6 6完全相同的幅度和位置持续存在。而这源于神经网络中的「跨层, l I e D连接」。

它们还能减少模型对常用但不重要的词汇，比如「的」、「这」、「了」的注意力。

得到了这些发现，圣母大学和苹果的研究团队进一步对「超权重」进行了探索。

他们改进了 rou` X u X z H L &nd-to-nearest quantization（RNQ）技术，提出了一种对算力特别友好的方法。

论文链接：https://arxiv.org/pdf/2411.07191
论文标题：The Super Weight in Large Language Models

这种新方法与 SmoothQuant 效果相当，在处理模型的权重时，可以用这种技术处理更大的数9 @ F ^ i A : x T据块，让模型在变小的同时，还能保持很好的效果。

看来，苹果是真的把宝押在小模型身上了！

什么是「超权重」？

为了量化「超权重」对模型的影q V X ?响有多大，研究团队修剪了所有的离群值权重，结果发v _ & _ \现，去掉一个「超E I H A S 8权重」的影响，比去掉其他 7000 个离9 l c ` .群值权重加起来还要严X 3 Y重。

如何识别「超权重」？

虽然之前的研究者发现了「超权重」可以激活异常大的神经网络。该团队又把「超权重」和「超激活」之间的联系向前推进了一步。他们发现在降维投影之前，门控和上投影的 Ha5 8 \ R . 1damard 乘积产生了一个[ v 3 b G相对较大的激活，而「超权重」进一步放大了这个激活并创造了「超激活」。

而通过激活的峰值可以进一步定位「超权重」。基于此? + ] , \ B d X，研究团队提出了一种高效的方法：通过检测层间降维投影输入和输出分布中的峰E . ! N H * =值来定位「超权重」。

这种方法只需要输入一个提示词，非常简单方便，不再需要一组验证数据或具体示例了。

具体来说，假设= ! ` % # R存在降维投影权重矩阵

，其中 D 表示激活特征的维度，H 是中间隐藏层的维度。设

为输入矩阵，其中 L 表示序# J M ) c %列长度。定义输出矩阵为

；「超激活」为

。如果 X3 W c h 9 u 1_ik 和 W_jk 都是远大于其他值的异| m w ] .常值，那么 Y_ij 的值将主要由这两个异常值的乘积决定。

在这种情况下，j7 E 4 } 和 k 是由 X_ik 和 Y_ij 的值决定的。因此，可以首先绘制出 mlp.dn | X ] I , w T 4own proj 层的输入和输出激活中的极端异常值。接着，g 6 J K q o如图 3 所示，确定超权重所在的层和坐标。

一旦检测到一个超权重，将其从模型中移除并重复上述过程，直到抑制住较大的最大激活值。

「超权重」的机制

「超权重」的影响

研究团队发现超级权重有两种主要$ U P s s 6 u \ )影响：

引发「{ 1 – L I超激活」；
抑制了停用词（stopword）的生成概率。

为了探究「超权重」是完全通过? : r「超激C : m ~活」，还是也通过其他 token 来影响模型质量，研究团队设计了一个控制变量实验：

原始模型；
移除O ^ C Z (「超权重」，将其T T F s权重设置为 0；
移除「超5 ] d [ / Z F权重」，但恢复神经网络层中的「超激活」。

实验结果如表 1 所示。恢复「超激活」后，模型的平均准确率从 35.14 恢复到 49.94，恢复「超激活」挽回了约 42% 的质量损失。

这表明，「超权重」对模型整体质量的影响并不完全由「超激活」所导致。

「超权重」4 5 M ;对输出 token 概率分布的影响

「超权重」会影响输出 token 的概率分布。为此，该团队研究了「超权重」对 Lambaba 测试集的 500 个 prompt 的输出 token 概率分布有何影响。

实验表明，移除「超权重」后，停用词的生成概率显著放大。例如，对于 Llama-7B 模型，「the」的生成概率增加约 2 倍，「.」增加约 5 倍，「,」增加约 10 倍

为了更加深入地剖析，研究团队进行了案例研究：

输入 prompt 为：「Summer is hot. Winter is 」
下一个 token 应为「cold」，这是一个具有强语义的词。

含有「超权重」的原始模型能够以 81.4% 的高概率正确预测。然而，移除「超权重」后，模型预测的最多的词变成了停用词「the」，并且「the」的概率仅为 9.0%，大多数情况是在胡言乱语。

这表明，「超权重」对于模型正确且有信心地预测具有语义= O . ^ n d的词汇至关重要。

「超权重」的重要性

研究团队还分析了超级权重幅值变化对模型质量的影响，通过将超级权重按 0.0 到 3.0 的缩放因子放大。结果表w x ` X H | N明，适度放大幅值可以提升模型准确率，详见下图。

超离群值感知量化

量化是一种压缩模型和减少内存需求的强大技术。然而，无论是权重量化还是激活量化，异常值的存在都会大大降低量化质量。如前所述，研究者将这些有问题的异常值（包括超权值和超激活值）称为超异常值。

如上所K y I . ?示，这些超离群值对模型质量的重要性是不成比例的，因此在量化过程中保留它们至关重要。

量化一般是将连续值映射到一个有限的值集；这里考虑的是其中一种最简单的形式，即非对称轮至最近量化：

其中

是量化步长，N 是J 4 5 n Y比特数。请注意，计算 ∆ 时使用的是最大值，因此 X 中的超离群值会大大增加步长。步长越大，离群值平均会被舍入到更远的值，从而增加量化误差。随着超离群值的增加，离群值被舍入到更少的离散值中，更多的量Y w Z L ~ P化 bin 未被使用。这样，超离群值就会导致量化保真度降低。

研究者C ~ R特别考虑了硬件以半精度执行运算的情况，这意味着张量 X 在使用前会进行量化和去量化；在这种情况下，我们可以通过两种方法利用超离群值的先验知识。

首先，保留超离M ~ ( N y r O N群值，防止对k p 2 D ,离群值量化产生不利影响。其次0 d e G H，在去量化后恢复超离群值，以确保超离群值的& \ D 4 z U效果得以c _ . v O } T保留。

接下来将以两种形式对权重/ 6 E 9 M C ( g和激活采用这一观点。

激活量化

研究者使用值舍入量化技术进行实验，并做了( F 7 6 # B 3一个小修改：用中值替换超激活（REPLACE），量化（T E j 9 _Q）和去量化（Q-1）激R C u G , L活，然后在 FP16 中恢复超激活（RESTORE）。具体操作如下：

由于超激活是单个标量，因此对比特率和内核复杂度的影响不大。

权重量化

小规模分组会带来计算和比特率开销，需要其他技术来处理大量的半精m j # k ( y –度刻度和偏差l % K y } `。为了应对这一挑战，本文提出了一种简单的方法来改进 INT4@ U [ 8 K 1 o 2 的大块量P k H U 3 Z b &化。首先，识别b N 6 `超权重；其次，为了改1 ; s & ? Y b Y善离群值拟合，对离群值权重进行剪切（CLIP），在这一步超权重_ y } h也会被剪切，对剪切后的权重进行量化（Q）和去量化（Q-1）；然后，为了0 & W _ c确保保留S r | @超权重的效果，在去量化后恢复半精度超权重（RESTORE）。

如上公式，使用 z-score 对剪切进行参数化。5 0 w W O假定所有权重都符合高斯分布，研究者认为所有 z 值超过某一阈值 z 的值都是离群值。为了调整超参数 z，研究者使用 Wikitext-2 训g \ ` y K i [练集中的 500 个示例找到了最小重构误差 z-score。

实验

为了全面展示超权重的效果，研究者在 LLaMA 7B-3X & m s 5 D0B、ML O G m 1istral 7B 和 OLMo 上进行了实验。为了评估 LLM 的实际应用能力，他们评估了这些模型在 PIQA、ARC、HellaSwag、Lambada 和 WinoZ 6 : agrande 等零样本基准上的精度。细节$ 4 8 J Z K如下所示。

激活量化

表 3 比较了本文方法和 SmoothQT g y ?uant。对于两个数据集上的三个 Llama 模型，本文方法比 SmoothQuant 的 naivB z 1 \ v * 3 3 ce 量化方法提高了 70%。在使用 Llama7B 的 C4 数据集和使用 Llama-30B 的 Wikitext 数据集上，本文S Q 0 i |改进幅度超过 SmoothQuant 的 80%。这意味着，与更复杂的方法相比，经过大幅简化的量化方法可以获a H q V * t R Z T得具有竞争力的结果。

随后，研究者扩大了评估范围，纳入了c ? I C ; d Q 1更多的 LLM：OLMo（1B 和 7B）、# U Y x r ] mMistral-7B 和 Llama-2-7B，结果如表 4 和附录表 7 所示。这些模型代表了不同的架构和训练范式，能够评估量化方法的通用性。由于 SmoothQuant 没有报告这组模型，因此研究者将他们的结果与 naive WD . C p8A8 量化进行了比较。在所有模型和数Z 0 * –据集上S u ( C i ( \，本文方法始终优于 naive W8A8 量化，且在 OLMo 模型上表现特别突出。

值得注9 H S 1 ^ h R i X意的是，OLMo 模型使用非参数P + x W _ J !化 LayerNv F u E F \ k Worm，因此与 SmoothQuant 方法不兼容，后者依靠 LayerNorm 权重来应用每个通道的比例。在 Mistral-7B 上，改进幅度较小。研究者假设这是因为这些模型的 LayerNorm 所学习的权重可能会积极抑制超激活，从而使激活幅度的分布更加均匀。

这些结果凸显@ D I V l了超激活在量化过程中保持模型性能的重要性。通过以最小的计算开` o Q ! } x销解决这一W V F单一激活，本文方法捕捉到了更复杂的量化方案所实现的大部分优势。这一R 7 H b . ? = O ,发现表明，在量化过程中，超激活在保持模型质量方面发挥着不成比例的巨大作用。

权重量化

为了评估所提出的超权重感知量化方法的有效性d U { h h，研究者将其与传统的 round-to-near 量化方法进行了比较，在一套零样本下游任务中对@ * s L A Q r模型进行了评估，结果如图 7 所示。

在传统的 round-to-near 量f _ m )化方法中，可以观察到一个明显的趋势：随着块大小的增加，模型质r E M Q % U Z量明显下降。这种下降可能是由于当较大的权重块一起量化时，量化误差会增加，从而使异常值影响到更多的权重。相比之下，本文的「超权重」感知量化方法对更大的块大小具有更强的鲁棒性。随着块大小的增大，模型质量的下降明显小于 round-to-near 方法。

这种鲁棒性源于本文方法能够保留最关键的权重（超权重），同时将离群值权f 6 E 4 f @ W r X重对整个量化过程的影响降至最低。通过剪除离群值并* Z m 8 @关注离群值权重，本文的方法在表示模型参数时保持了更高的保真度。

还有一个r 9 a . ^ g关键优势是，它能够支持更大的数据块尺寸，同时减少模型质量的损失。这种能力使平均比特率更低w p 9 X f，文件尺寸更小，l L Y \ | ;这对于在资源g Y N 7 $ : y Q V有限的环境（如移动设备或边缘计算场景）中部署模型至关重要。

更V & 5 k i多研究细节，可参考原论文。

以上就是大模型a f 3承重墙，去掉A N \ E g { X ,了就开始摆烂！苹果给出了「超级权重」的详细内容！

百度未收录

本文由【好易之】整理自网络！
原创文章，作者:【好易之】如转载请注明出处：https://www.zhengjiaxi.com/zxwd/itzx/118899.html
如有侵权，请邮件联系 aoduoye@qq.com 删除。
本站发布的文章及附件仅限用于学习和研究目的;不得将上述内容用于商业或非法用途，否则后果请用户自负。
本站信息来自网络，版权争议与本站无关。您必须在下载后的24个小时之内，从您的电脑中彻底删除上述内容。
如果您喜欢该程序，请支持正版软件，购买注册，得到更好的正版服务。如有侵权请邮件与我们联系处理。