Llama 아키텍처는 GPT2보다 열등합니까? 마법의 토큰이 기억력을 10배 향상시킨다?

7B 규모 언어 모델 LLM이 저장할 수 있는 인간 지식은 얼마나 됩니까? 이 값을 어떻게 정량화하나요? 훈련 시간과 모델 아키텍처의 차이가 이 값에 어떤 영향을 미치나요? 부동 소수점 압축 양자화, 혼합 전문가 모델 MoE 및 데이터 품질의 차이(백과사전 지식 대 인터넷 쓰레기)가 LLM의 지식 용량에 어떤 영향을 미칠까요?

Zhu Zeyuan(Meta AI)과 Li Yuanzhi(MBZUAI)의 최신 연구 "Language Model Physics Part 3.3: Scaling Laws of Knowledge"는 대규모 실험(50,000개 작업, 총 4,200,000 GPU 시간)을 사용하여 12가지 법칙을 요약했습니다. , 이는 다양한 파일에 대한 LLM의 지식 용량을 통해 보다 정확한 측정 방법을 제공합니다.

저자는 먼저 벤치마크 데이터 세트(벤치마크)에서 오픈소스 모델의 성능으로 LLM의 확장 법칙을 측정하는 것은 비현실적이라는 점을 지적했습니다. 예를 들어 LLaMA-70B는 지식 데이터 세트에서 LLaMA-7B보다 30% 더 나은 성능을 발휘한다고 해서 모델을 10배 확장하면 용량이 30%만 증가한다는 의미는 아닙니다. 모델을 훈련하기 위해 네트워크 데이터를 사용한다면, 그 안에 포함된 전체 지식의 양을 추정하는 데 어려움을 겪게 됩니다.

또 다른 예로 Mistral과 Llama 모델의 품질을 비교할 때 차이는 서로 다른 모델 아키텍처로 인해 발생합니까, 아니면 훈련 데이터를 다르게 준비하여 발생합니까?

위 고려사항을 바탕으로 저자는 "언어 모델 물리학" 시리즈 논문의 핵심 아이디어를 채택합니다. 데이터에 있는 지식의 유형입니다. 동시에 저자는 다양한 크기와 아키텍처의 LLM을 사용하여 합성 데이터를 훈련하고 수학적 정의를 제공하여 훈련된 모델이 데이터에서 얼마나 많은 지식을 학습했는지 정확하게 계산합니다.

• 논문 주소: https://arxiv.org/pdf/2404.05405.pdf
• 논문 제목: 언어 모델 물리학: 3.3부, 지식 용량 확장 법칙

이번 연구에서는 이 방향이 타당해 보인다는 분들도 계셨어요. 우리는 매우 과학적인 방법으로 스케일링 법칙을 분석할 수 있습니다.

어떤 사람들은 이 연구가 스케일링 법칙을 다른 수준으로 끌어올린다고 믿습니다. 실무자들이 반드시 읽어야 할 필독서입니다.

연구 개요

저자는 bioS, bioR, bioD의 세 가지 유형의 합성 데이터를 연구했습니다. bioS는 영어 템플릿을 사용하여 작성된 전기이고, bioR은 LlaMA2 모델을 사용하여 작성된 전기(총 22GB)이며, bioD는 지식의 길이 및 어휘 등 세부사항을 추가로 제어할 수 있는 가상 지식 데이터입니다. 자세한 내용을 기다리십시오). 저자는GPT2, LlaMA 및 Mistral을 기반으로 한 언어 모델 아키텍처에 중점을 두고 있으며, 그 중 GPT2는 업데이트된 RoPE(Rotary Position Embedding) 기술을 사용합니다.

왼쪽 그림은 훈련 시간이 충분할 때의 스케일링 법칙을 나타내고, 오른쪽 그림은 훈련 시간이 부족할 때의 스케일링 법칙을 나타냅니다.

위 그림 1은 저자가 제안한 처음 5가지 법칙을 간략하게 설명합니다. 왼쪽/오른쪽은 각각 "훈련"에 해당합니다. "충분한 시간"과 "훈련 시간 부족"이라는 두 가지 상황은 각각 상식(예: 중국의 수도는 베이징)과 덜 상식(예: 칭화대학교 물리학과)에 해당합니다. 1926년에 설립되었다).

훈련 시간이 충분하면 저자는 GPT2 또는 LlaMA/Mistral 등 어떤 모델 아키텍처를 사용하든 모델의 저장 효율성이 2bit/param에 도달할 수 있음을 발견했습니다. 즉, 평균적으로 각 모델 매개변수 2비트의 정보를 저장할 수 있습니다. 이는 모델 깊이와는 관련이 없으며 모델 크기에만 관련됩니다. 즉, 7B 모델은 적절하게 훈련되면 14B 비트의 지식을 저장할 수 있습니다. 이는 Wikipedia 및 모든 영어 교과서에 있는 인간의 지식보다 더 많은 것입니다!

더 놀라운 점은 전통적인 이론에서는 변환기 모델의 지식이 주로 MLP 계층에 저장된다는 것인데, 저자의 연구에서는 모든 MLP 계층을 제거하더라도 모델이 여전히 가능하다는 사실을 반박했습니다. 매개변수의 저장 효율성이 2bit/에 도달했습니다.

그림 2: 훈련 시간이 부족한 경우의 확장 법칙

그러나 훈련 시간이 부족한 경우를 보면 모델 간의 차이가 분명해집니다. 위의 그림 2에서 볼 수 있듯이 이 경우 GPT2 모델은 LlaMA/Mistral보다 30% 이상 더 많은 지식을 저장할 수 있습니다. 이는 몇 년 전의 모델이 어떤 측면에서 오늘날의 모델을 능가한다는 것을 의미합니다. 왜 이런 일이 발생합니까? 저자는 LlaMA 모델에 대한 아키텍처 조정을 수행하여 모델과 GPT2 간의 각 차이를 더하거나 빼었으며 마침내 GatedMLP가 30% 손실을 초래한다는 사실을 발견했습니다.

강조하자면, GatedMLP는 모델의 "최종" 저장 속도에 변화를 일으키지 않습니다. 그림 1에서는 훈련이 충분하면 달라지지 않을 것임을 알 수 있기 때문입니다. 그러나 GatedMLP는 불안정한 훈련으로 이어지므로 동일한 지식에 대해 더 긴 훈련 시간이 필요합니다. 즉, 훈련 세트에 거의 나타나지 않는 지식의 경우 모델의 저장 효율성이 감소합니다.

그림 3: 양자화와 MoE가 모델 스케일링 법칙에 미치는 영향

저자의 법칙 8과 9는 각각 양자화와 MoE가 모델 스케일링 법칙에 미치는 영향을 연구하고 결론은 그림에 나와 있습니다. 위의 3. 한 가지 결과는 훈련된 모델을 float32/16에서 int8로 압축해도 2bit/param 저장 제한에 도달한 모델의 경우에도 지식 저장에 영향을 미치지 않는다는 것입니다.

이는 LLM이 "정보 이론 한계"의 1/4에 도달할 수 있음을 의미합니다. 왜냐하면 int8 매개변수는 8비트에 불과하지만 평균적으로 각 매개변수는 2비트의 지식을 저장할 수 있기 때문입니다. 저자는 이것이 보편적 법칙이며 지식 표현의 형태와는 아무런 관련이 없음을 지적한다.

가장 놀라운 결과는 저자의 법칙 10-12에서 나왔습니다(그림 4 참조). (사전)훈련 데이터가 1/8이 고품질 지식 기반(예: Baidu Encyclopedia)에서 나오고 7/8이 낮은 품질 데이터(예: 일반적인 크롤링 또는 포럼 대화 또는 완전히 무작위로 사용되는 쓰레기)에서 나오는 경우 데이터).

그렇다면 낮은 품질의 데이터가 LLM의 고품질 지식 흡수에 영향을 미칠까요? 결과는 놀랍습니다. 고품질 데이터에 대한 훈련 시간이 일관되게 유지되더라도, 저품질 데이터의 "존재 자체"로 인해 모델의 고품질 지식 저장 공간이 20배나 줄어들 수 있습니다! 고품질 데이터에 대한 훈련 시간이 3배 연장되더라도 지식 보유량은 3배로 줄어듭니다. 이는 모래에 금을 던지는 것과 같으며, 고품질 데이터가 낭비되고 있습니다.

고칠 수 있는 방법이 있나요? 저자는 모든 (사전)훈련 데이터에 자신의 웹사이트 도메인 이름 토큰을 추가하는 간단하지만 매우 효과적인 전략을 제안했습니다. 예를 들어 모든 Wikipedia 데이터를 wikipedia.org에 추가합니다. 이 모델은 "골드" 지식이 있는 웹사이트를 식별하기 위해 사전 지식이 필요하지 않지만, 사전 훈련 과정에서 자동으로 고품질 지식이 있는 웹사이트를 발견하고 자동으로 이러한 고품질 지식을 위한 저장 공간을 확보할 수 있습니다. 데이터.

저자는 검증을 위해 간단한 실험을 제안했습니다. 고품질 데이터에 특수 토큰이 추가되면(어떤 특수 토큰이든 가능하며 모델은 어떤 토큰인지 미리 알 필요가 없습니다), 모델의 지식은 스토리지가 즉시 10배 증가할 수 있다는 사실, 놀랍지 않나요? 따라서 사전 학습 데이터에 도메인 이름 토큰을 추가하는 것은 매우 중요한 데이터 준비 작업입니다.