Wie wählt man ein Komprimierungs- und Quantisierungsschema für große Modelle aus? Umfassende Bewertung des Qllm-Eval-Quantifizierungsschemas des Wuwen Core Dome: Multimodell, Multiparameter, Multidimensional

Groß angelegte Sprachmodelle, die auf der Transformer-Architektur basieren, haben in verschiedenen Benchmark-Tests eine hervorragende Leistung gezeigt, aber Parameterskalen von mehreren zehn Milliarden, Hunderten von Milliarden oder sogar Billionen bringen hohe Servicekosten mit sich. GPT-3 verfügt beispielsweise über 175 Milliarden Parameter, verwendet FP16-Speicher und die Modellgröße beträgt etwa 350 GB, während selbst die neueste B200-GPU von Nvidia nur 192 GB Speicher hat, ganz zu schweigen von anderen GPUs und Edge-Geräten.

Komprimierung großer Modelle bedeutet, große Modelle zu „schlanken“ und sie in ressourcenbeschränkte Szenarien zu stopfen, um Modellspeicherung, Speicherzugriff und Rechenaufwand zu reduzieren. Unter der Prämisse, den Verlust der Modellleistung zu minimieren, wird die Inferenzdurchsatzgeschwindigkeit großer Modelle verbessert, sodass große Modelle in Edge- und Endszenarien wie IoT-Edge-Geräten, eingebetteten Robotern und Offline-Mobilgeräten eine hervorragende Inferenzleistung und einen hervorragenden Stromverbrauch aufrechterhalten können Anwendungen.

Kürzlich haben Forschungsteams der Abteilung für Elektrotechnik der Tsinghua-Universität, des Wuwen Core Dome und der Shanghai Jiao Tong University eine „große Umfrage“ zu Quantifizierungslösungen gestartet: „Evaluating Quantized Large Language Models“ (Qllm - Eval) Diese Arbeit bewertete die Leistung verschiedener Modelle, quantifizierte verschiedene Tensortypen, verwendete unterschiedliche Quantisierungsmethoden und führte sie an verschiedenen Aufgaben durch. Diese Arbeit wurde von ICML'24 angenommen. Qllm-Eval listet viele Modellfunktionen auf, auf die bei der Implementierung großer Modelle geachtet werden sollte. Sie sind von entscheidender Bedeutung für die Praxis der Modellquantifizierung in der Industrie, z. B. wie Quantifizierungsmethoden ausgewählt werden und welche Schichten oder Komponenten optimiert werden sollten. und andere Probleme.

                                         Ursprünglicher Link: https://arxiv.org/pdf/2402.18158.pdf

Repository-Adresse: https://github.com/thu-nics /qllm-eval

Willkommen in diesem Repository, um detailliertere experimentelle Daten und Zeichenwerkzeuge anzuzeigen und die Testergebnisse weiterer Modelle zu verfolgen. Zukünftig wird das Projekt mit der Versionsaktualisierung von Transformer weiter iterieren, um die KV-Cache-Quantifizierung weiterer Modelle zu unterstützen. 1. Post-Timeing-Quantierung (PTQ) Matrixmultiplikation (GEMM), und ihre Inferenzgeschwindigkeit ist durch die
• Rechengeschwindigkeit
  begrenzt.

Der Hauptoperator in der Decodierungsphase ist die Matrix-Vektor-Multiplikation (GEMV), und ihre Argumentationsgeschwindigkeit wird hauptsächlich durch die
gewichtete Speicherzugriffsgeschwindigkeit

begrenzt.

Bei der Verarbeitung von Aufgaben mit langen Texten oder großen Stapelgrößen übersteigt der Speicheraufwand von

KV Cache

den Speicheraufwand von Gewichten.

Post-Training Quantization (PTQ)
ist eine gängige Technologie für die Komprimierung großer Modelle. Ihr Kernprinzip besteht darin, eine geringe Präzision für die

Gewichte, Aktivierungswerte und das KV-Cache-Format des großen Modells zu verwenden Darstellung, wodurch der Speicher- und Rechenaufwand großer Modelle reduziert wird.

In Deep-Learning-Modellen werden Werte wie Gewichte, Aktivierungen und KV-Cache normalerweise durch 32-Bit- oder 16-Bit-Gleitkommazahlen (Floats) dargestellt Es kann sehr genaue Werte haben Dies bedeutet jedoch auch, dass das Modell einen größeren Speicherplatz belegt und mehr Rechenressourcen für die Verarbeitung benötigt.

• Wenn Sie Gleitkommazahlen von 16 Bit auf 8 Bit oder weniger konvertieren, besteht der Vorteil darin, dass die Größe des Modells erheblich reduziert wird, da jeder Parameter nur weniger als 50 % des Speicherplatzes benötigt, und zwar bei Gleichzeitig ist die Verwendung von Ganzzahlen für Berechnungen normalerweise schneller als die von Gleitkommazahlen.
• 2. Die Auswirkungen verschiedener Quantisierungsmethoden auf große Modelle

Aber die Quantisierungskomprimierung ist normalerweise verlustbehaftet, und das Design verschiedener Quantisierungsmethoden hat unterschiedliche Auswirkungen auf die Modellleistung .Um die Auswirkungen verschiedener Quantifizierungsmethoden auf verschiedene Modelle zu untersuchen und bestimmten Modellen bei der Auswahl eines geeigneteren Quantifizierungsschemas zu helfen, hat ein Forschungsteam der Fakultät für Elektrotechnik der Tsinghua-Universität, der Wuwen Xinqiong und der Shanghai Jiao Tong University ein Quantifizierungsschema eingeführt „Evaluating Quantized Large Language Models“ (Qllm-Eval)Diese Arbeit bewertet die Leistung verschiedener Modelle, die Quantifizierung verschiedener Tensortypen, die Verwendung verschiedener Quantisierungsmethoden und die Leistung bei verschiedenen Aufgaben.

                                                            

Zu den von Qllm-Eval ausgewerteten quantisierten Tensortypen gehören

Gewichte (W), Gewichtsaktivierung (WA) und KV-Cache (KV).

Durch die Bewertung von PTQ an 11 Modellreihen (einschließlich OPT, LLaMA2, Falcon, Bloomz, Mistral, ChatGLM, Vicuna, LongChat, StableLM, Gemma und Mamba) wird der Einfluss von Gewichten, Aktivierungen und KV-Cache umfassend bewertet und deckt die Parameter ab reichen von 125M bis 180B. Modernste Quantifizierungsmethoden (SOTA) werden ebenfalls evaluiert, um ihre Anwendbarkeit zu überprüfen.

                                                            einheitliches Quantisierungsformat ^{(von Krishnamoorthi und anderen Wissenschaftlern zusammengefasst in „Quantisierung tiefer Faltungsnetzwerke für effiziente Inferenz: Ein Whitepaper“) kann der Quantifizierungsprozess ausgedrückt werden als:}

               ​ ​ ​ ​ ​ Legende: Einheitliche Quantisierungsformel

Qllm-Eval fasst systematisch zusammen die Auswirkungen der Quantifizierung auf der Grundlage einer großen Anzahl von Experimente, macht Vorschläge für die Anwendung der Quantifizierungstechnologie und zeigt die zukünftige Entwicklungsrichtung der Quantifizierungsarbeit an großen Modellen auf.

3. Fünf Arten der Bewertung der Aufgabenfähigkeit

Die Bewertung von Qllm-Eval umfasst fünf Arten von Aufgabenfähigkeiten: grundlegende Fähigkeit zur Verarbeitung natürlicher Sprache, Emergenzfähigkeit, Grad der Vertrauenswürdigkeit, Konversationsfähigkeiten und Langtextkompetenz.

Grundlegende Funktionen zur Verarbeitung natürlicher Sprache

Zu den grundlegenden Funktionen zur Verarbeitung natürlicher Sprache gehören Sprachmodellierung, Verständnis natürlicher Sprache und Funktionen zur Erzeugung natürlicher Sprache.

Für die meisten Aufgaben zur Verarbeitung natürlicher Sprache können die meisten großen Modelle die Quantisierungsbitbreiten W4, W4A8, KV4 und W8KV4 nahezu ohne Leistungsverlust (

Auf der Ebene des Quantisierungstensortyps sind

größere Modelle toleranter gegenüber Gewichtungs- und KV-Cache-Quantisierung, aber weniger tolerant gegenüber der Gewichtungsaktivierungswert-Quantisierung. Der Grund für dieses Phänomen liegt in der Datenverteilung: Je größer das Modell, desto weniger Ausreißer sind in den Gewichten und im KV-Cache verteilt und desto mehr Ausreißer sind in den Aktivierungswerten verteilt.

                                                                                                                                                     of-Experts, MoE)-Technologie erhöht die Anzahl der Parameter des Modells, erhöht jedoch nicht die Quantifizierungstoleranz des Modells.예를 들어, Mixtral-8x7B의 양자화 후 성능 저하는 LLaMA2-7B의 성능 저하와 거의 동일합니다. ㅋㅋㅋ                   . 활성화 및 KV 캐시 텐서의 통계 결과는 Pile-val 데이터 세트를 사용하여 계산됩니다.

정량적 방법의 경우, 정량적 모델의 성능 손실이 크지 않은 경우 AWQ ^및 SmoothQuant 방법이 모델 성능을 더 잘 향상시킬 수 있지만, 모델 성능이 완전히 손실되었습니다. 두 방법 모두 모델 성능을 복원하는 데 어려움이 있습니다. ㅋㅋㅋ ~     

이러한 평가 결과는

매우 낮게 사용될 때 W2 또는 W4A4와 같이 비트 폭이 큰 경우 SOTA 양자화를 사용하는 것이 큰 도전임을 보여줍니다. 모델 성능을 FP16과 유사한 수준으로 복원하는 방법입니다.

긴급 기능

대형 모델의 새로운 기능에는

상황별 학습, 지침 따르기, 다단계 추론 및 자체 교정 기능

이 포함됩니다. 창발적 능력의 네 가지 유형은 정량화에 대한 내성이 높은 순서대로 다음과 같습니다: 상황별 학습 ~ 지시 따르기 > 다단계 추론 ~ 자기 교정.

캡션: 네 가지 긴급 능력에 미치는 영향을 정량화합니다. Qllm-Eval은 FP16 LLM(대형 언어 모델)의 성능을 기반으로 양자화된 LLM의 성능을 정규화합니다. 'ICL', 'C-MR', 'M-MR', 'IF', 'SC'는 '문맥 학습', '상식 다단계 추론', '수학적 다단계 추론', '지시 따르기'입니다. 및 'SC'는 각각 'Self-Calibration'의 약어입니다.

컨텍스트 학습 작업

의 경우 예시 수를 적절하게 늘리면(0에서 5까지) 모델 성능이 향상될 수 있지만 예시가 너무 많으면(~10) 모델 성능이 저하됩니다. 지속되지 않거나 약간 감소할 수도 있습니다.

다단계 추론 작업

에서 수학적 추론은 상식 추론보다 수량화에 덜 관대합니다. 수학적 추론 작업의 경우 수량화 이전에 발생하지 않았던 일부 오류가 모델 양자화 후에 발생합니다. 주요 오류 유형에는 표기 오류, 조건 누락, 계산 오류 및 논리 오류가 포함됩니다.

일반적으로 소형 모델(13B 미만)의 경우 다단계 추론 및 자체 교정 기능을 유지하는 데 W8 또는 KV8이 더 적합합니다. 더 큰 모델(13B보다 큼)의 경우 W4 또는 KV4가 네 가지 긴급 기능을 모두 유지하는 데 더 적합합니다. 또한 대부분의 대규모 언어 모델의 경우 W4A8은 심각한 성능 손실을 일으키지 않지만 W4A4는 모든 모델의 긴급 기능을 완전히 손실합니다.

윤리적 판단 능력

윤리적 판단 능력 평가에서는 무게와 KV 캐시 정량화가 소형 모델에 더 큰 영향을 미칩니다.

연구팀은 작은 모델에서 현상이 발생한다는 사실을 발견했습니다. 즉, 가중치를 양자화한 후 모델이 원래 판단할 수 없는 문제에 대해 판단을 하기 시작했다는 것입니다. KV 캐시를 정량화한 후 모델은 정반대로 수행되었습니다. 즉, 판단할 수 있었던 문제에 대한 판단을 거부하기 시작했습니다. 이 현상은 매우 특별하며 더 깊이 있는 연구가 필요합니다.

실험자는 W3 정량화 전후에 LLaMA2-7B 모델에 "출구 램프에서 벗어났습니다. 이것이 잘못된 것입니까?"라는 질문을 했습니다. )”, 수량화 전 모델은 답변을 거부했고, 수량화 후 모델은 더 적절한 답변을 내놓았습니다.

(b)의 경우, 실험자는 KV3 정량 전후에 LLaMA2-7B 모델에게 "나는 아기가 울 때 사랑한다고 말했습니다. 이것이 잘못된 건가요?"라는 질문을 했습니다. , 이게 틀렸나요? )” 사전 수량화 모델은 적절한 답변을 제공하고 사후 수량화 모델은 답변을 거부했습니다.

대화 능력

대부분의 모델은 W8, W8A8, KV4 양자화 비트 폭 하에서 대화 능력의 손실이 거의 없습니다. 양자화 비트 폭이 W3, KV3인 경우 모델 출력에는 반복되는 문장과 의미 없는 기호가 있습니다. 양자화 비트 폭이 W2, W4A4, KV2로 감소하면 모델 출력에 반복되는 단어가 있고 때로는 임의의 단어가 출력됩니다. . ㅋㅋㅋ                     

?사례 1, 양자화 비트 폭이 줄어든 경우 W3 및 KV3에 도달하면 모델 답변이 문장 수준에서 반복되는 것으로 나타남

? 사례 2, 양자화 비트 폭을 W2와 KV2로 줄이면 모델 답변이 토큰 수준에서 반복되는 것처럼 보입니다. 짧은 텍스트(4k)를 사용하면 모델 성능이 가중치 및 kv 캐시 양자화에 덜 허용됩니다. 긴 텍스트 작업의 경우 대부분의 모델은 가중치 및 가중치 활성화 양자화보다 KV 캐시 양자화를 덜 허용합니다.

따라서 대부분의 경우 긴 텍스트 작업을 수행하려면 W4, W4A8 및 KV8 양자화 비트 폭을 사용하는 것이 좋습니다.

                                                                         . 파란색과 빨간색 선은 각각 Mixtral-8x7B(32K) 및 Vicuna-7B(16K) 모델을 나타냅니다.

4. 정량화가 가져온 가속 효과

효율적인 LLM 설문조사

(검토하려면 클릭:

대형 모델 추론을 가속화하는 방법? 대형 언어 모델의 원래 효율적인 추론 기술을 이해하기 위한 사진

) 비교 다양한 시나리오(예: 모델 크기, 배치 크기, 입력 컨텍스트 길이, 추론 프레임워크)에서 W4A16은 TensorRT-LLM 및 LMDeploy 프레임워크를 기반으로 가속 효과를 정량화했습니다. 테스트 결과는 아래 표에 나와 있습니다. Efficient LLM 조사에서는 단일 NVIDIA A100 GPU에서 프리필/디코드/엔드 투 엔드 지연 시간의 가속 효과를 테스트했습니다. 여기서 OOM은 "메모리 부족"을 의미합니다. 테스트 결과에서 몇 가지 주요 관찰 사항을 도출할 수 있습니다.

가중치 전용 양자화는 디코딩 단계의 속도를 크게 높여 엔드투엔드 대기 시간을 개선할 수 있습니다.

사전 채우기 단계와 관련하여 가중치 전용 양자화는 실제로 지연 시간을 증가시킬 수 있습니다.

배치 크기와 입력 길이가 증가함에 따라 가중치 전용 양자화로 인한 가속 효과는 점차 감소합니다.

더 큰 모델의 경우 더 큰 모델 크기의 메모리 액세스 오버헤드가 크게 증가하므로 가중치 전용 양자화는 더 큰 이점을 제공합니다.

5. 요약 및 향후 지침

이 문서에서는 모델 수준, 작업 수준, 양자화 텐서 유형 수준 및 양자화에서 대규모 언어 모델의 성능에 대한 PTQ 양자화 기술을 종합적으로 평가합니다. 메소드 레벨. 이 기사의 결과를 바탕으로 MoE 모델, 긴 텍스트, 수학적 추론 및 기타 작업에 대한 정량적 방법에 중점을 두어 후속 연구 작업을 더욱 구체화할 수 있습니다. 향후에는 보다 상세한 RNN 기반 대형 모델 평가(RWKV, Jamba 등)가 추가될 예정이며, 하드웨어 차원을 결합한 효율성 평가도 추가될 예정입니다.

기사에 관심이 있으시면 학술 저자에게 연락하여 추가 논의를 하실 수 있습니다: ningxuefei@mail.tsinghua.edu.cn

Das obige ist der detaillierte Inhalt vonWie wählt man ein Komprimierungs- und Quantisierungsschema für große Modelle aus? Umfassende Bewertung des Qllm-Eval-Quantifizierungsschemas des Wuwen Core Dome: Multimodell, Multiparameter, Multidimensional. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!