大模型承重墻，去掉了就開始擺爛！蘋果給出了「超級權重」
大模型的參數量越來越大，越來越聰明，但它們也越來越奇怪了。
兩年前，有研究者發現了一些古怪之處：在大模型中，有一小部分特別重要的特征（稱之為「超權重」），它們雖然數量不多，但對模型的表現非常重要。
如果去掉這些「超權重」，模型就完全擺爛了，開始胡言亂語，文本都不會生成了。但是如果去掉其他一些不那么重要的特征，模型的表現只會受到一點點影響。
有趣的是，不同的大模型的「超權重」卻出奇地相似，比如：
它們總是出現在
層中。
它們會放大輸入 token 激活的離群值，這種現象研究者們稱之為「超激活」（super activation）。無論輸入什么提示詞，「超激活」在整個模型中都以完全相同的幅度和位置持續存在。而這源于神經網絡中的「跨層連接」。
它們還能減少模型對常用但不重要的詞匯，比如「的」、「這」、「了」的注意力。
得到了這些發現，圣母大學和蘋果的研究團隊進一步對「超權重」進行了探索。
他們改進了 round-to-nearest quantization（RNQ）技術，提出了一種對算力特別友好的方法。
- 論文鏈接：https://arxiv.org/pdf/2411.07191
- 論文標題：The Super Weight in Large Language Models
這種新方法與 SmoothQuant 效果相當，在處理模型的權重時，可以用這種技術處理更大的數據塊，讓模型在變小的同時，還能保持很好的效果。
看來，蘋果是真的把寶押在小模型身上了！
什么是「超權重」？
為了量化「超權重」對模型的影響有多大，研究團隊修剪了所有的離群值權重，結果發現，去掉一個「超權重」的影響，比去掉其他 7000 個離群值權重加起來還要嚴重。
如何識別「超權重」？
雖然之前的研究者發現了「超權重」可以激活異常大的神經網絡。該團隊又把「超權重」和「超激活」之間的聯系向前推進了一步。他們發現在降維投影之前，門控和上投影的 Hadamard 乘積產生了一個相對較大的激活，而「超權重」進一步放大了這個激活并創造了「超激活」。
而通過激活的峰值可以進一步定位「超權重」。基于此，研究團隊提出了一種高效的方法：通過檢測層間降維投影輸入和輸出分布中的峰值來定位「超權重」。
這種方法只需要輸入一個提示詞，非常簡單方便，不再需要一組驗證數據或具體示例了。
具體來說，假設存在降維投影權重矩陣
，其中 D 表示激活特征的維度，H 是中間隱藏層的維度。設
為輸入矩陣，其中 L 表示序列長度。定義輸出矩陣為
；「超激活」為
。如果 X_ik 和 W_jk 都是遠大于其他值的異常值，那么 Y_ij 的值將主要由這兩個異常值的乘積決定。
在這種情況下，j 和 k 是由 X_ik 和 Y_ij 的值決定的。因此，可以首先繪制出 mlp.down proj 層的輸入和輸出激活中的極端異常值。接著，如圖 3 所示，確定超權重所在的層和坐標。
一旦檢測到一個超權重，將其從模型中移除并重復上述過程，直到抑制住較大的最大激活值。
「超權重」的機制
- 「超權重」的影響
研究團隊發現超級權重有兩種主要影響：
- 引發「超激活」；
- 抑制了停用詞（stopword）的生成概率。
為了探究「超權重」是完全通過「超激活」，還是也通過其他 token 來影響模型質量，研究團隊設計了一個控制變量實驗：
- 原始模型；
- 移除「超權重」，將其權重設置為 0；
- 移除「超權重」，但恢復神經網絡層中的「超激活」。
實驗結果如表 1 所示?；謴汀赋せ睢购?，模型的平均準確率從 35.14 恢復到 49.94，恢復「超激活」挽回了約 42% 的質量損失。
這表明，「超權重」對模型整體質量的影響并不完全由「超激活」所導致。
- 「超權重」對輸出 token 概率分布的影響
「超權重」會影響輸出 token 的概率分布。為此，該團隊研究了「超權重」對 Lambaba 測試集的 500 個 prompt 的輸出 token 概率分布有何影響。
實驗表明，移除「超權重」后，停用詞的生成概率顯著放大。例如，對于 Llama-7B 模型，「the」的生成概率增加約 2 倍，「.」 增加約 5 倍，「,」 增加約 10 倍
為了更加深入地剖析，研究團隊進行了案例研究：
- 輸入 prompt 為：「Summer is hot. Winter is 」
- 下一個 token 應為「cold」，這是一個具有強語義的詞。
含有「超權重」的原始模型能夠以 81.4% 的高概率正確預測。然而，移除「超權重」后，模型預測的最多的詞變成了停用詞「the」，并且「the」的概率僅為 9.0%，大多數情況是在胡言亂語。
這表明，「超權重」對于模型正確且有信心地預測具有語義的詞匯至關重要。
- 「超權重」的重要性
研究團隊還分析了超級權重幅值變化對模型質量的影響，通過將超級權重按 0.0 到 3.0 的縮放因子放大。結果表明，適度放大幅值可以提升模型準確率，詳見下圖。
超離群值感知量化
量化是一種壓縮模型和減少內存需求的強大技術。然而，無論是權重量化還是激活量化，異常值的存在都會大大降低量化質量。如前所述，研究者將這些有問題的異常值（包括超權值和超激活值）稱為超異常值。
如上所示，這些超離群值對模型質量的重要性是不成比例的，因此在量化過程中保留它們至關重要。
量化一般是將連續值映射到一個有限的值集；這里考慮的是其中一種最簡單的形式，即非對稱輪至最近量化：
其中
是量化步長，N 是比特數。請注意，計算 ? 時使用的是最大值，因此 X 中的超離群值會大大增加步長。步長越大，離群值平均會被舍入到更遠的值，從而增加量化誤差。隨著超離群值的增加，離群值被舍入到更少的離散值中，更多的量化 bin 未被使用。這樣，超離群值就會導致量化保真度降低。
研究者特別考慮了硬件以半精度執行運算的情況，這意味著張量 X 在使用前會進行量化和去量化；在這種情況下，我們可以通過兩種方法利用超離群值的先驗知識。
首先，保留超離群值，防止對離群值量化產生不利影響。其次，在去量化后恢復超離群值，以確保超離群值的效果得以保留。
接下來將以兩種形式對權重和激活采用這一觀點。
激活量化
研究者使用值舍入量化技術進行實驗，并做了一個小修改：用中值替換超激活（REPLACE），量化（Q）和去量化（Q-1）激活，然后在 FP16 中恢復超激活（RESTORE）。具體操作如下：
由于超激活是單個標量，因此對比特率和內核復雜度的影響不大。
權重量化
小規模分組會帶來計算和比特率開銷，需要其他技術來處理大量的半精度刻度和偏差。為了應對這一挑戰，本文提出了一種簡單的方法來改進 INT4 的大塊量化。首先，識別超權重；其次，為了改善離群值擬合，對離群值權重進行剪切（CLIP），在這一步超權重也會被剪切，對剪切后的權重進行量化（Q）和去量化（Q-1）；然后，為了確保保留超權重的效果，在去量化后恢復半精度超權重（RESTORE）。
如上公式，使用 z-score 對剪切進行參數化。假定所有權重都符合高斯分布，研究者認為所有 z 值超過某一閾值 z 的值都是離群值。為了調整超參數 z，研究者使用 Wikitext-2 訓練集中的 500 個示例找到了最小重構誤差 z-score。
實驗
為了全面展示超權重的效果，研究者在 LLaMA 7B-30B、Mistral 7B 和 OLMo 上進行了實驗。為了評估 LLM 的實際應用能力，他們評估了這些模型在 PIQA、ARC、HellaSwag、Lambada 和 Winogrande 等零樣本基準上的精度。細節如下所示。
激活量化
表 3 比較了本文方法和 SmoothQuant。對于兩個數據集上的三個 Llama 模型，本文方法比 SmoothQuant 的 naive 量化方法提高了 70%。在使用 Llama7B 的 C4 數據集和使用 Llama-30B 的 Wikitext 數據集上，本文改進幅度超過 SmoothQuant 的 80%。這意味著，與更復雜的方法相比，經過大幅簡化的量化方法可以獲得具有競爭力的結果。
隨后，研究者擴大了評估范圍，納入了更多的 LLM：OLMo（1B 和 7B）、Mistral-7B 和 Llama-2-7B，結果如表 4 和附錄表 7 所示。這些模型代表了不同的架構和訓練范式，能夠評估量化方法的通用性。由于 SmoothQuant 沒有報告這組模型，因此研究者將他們的結果與 naive W8A8 量化進行了比較。在所有模型和數據集上，本文方法始終優于 naive W8A8 量化，且在 OLMo 模型上表現特別突出。
值得注意的是，OLMo 模型使用非參數化 LayerNorm，因此與 SmoothQuant 方法不兼容，后者依靠 LayerNorm 權重來應用每個通道的比例。在 Mistral-7B 上，改進幅度較小。研究者假設這是因為這些模型的 LayerNorm 所學習的權重可能會積極抑制超激活，從而使激活幅度的分布更加均勻。
這些結果凸顯了超激活在量化過程中保持模型性能的重要性。通過以最小的計算開銷解決這一單一激活，本文方法捕捉到了更復雜的量化方案所實現的大部分優勢。這一發現表明，在量化過程中，超激活在保持模型質量方面發揮著不成比例的巨大作用。
權重量化
為了評估所提出的超權重感知量化方法的有效性，研究者將其與傳統的 round-to-near 量化方法進行了比較，在一套零樣本下游任務中對模型進行了評估，結果如圖 7 所示。
在傳統的 round-to-near 量化方法中，可以觀察到一個明顯的趨勢：隨著塊大小的增加，模型質量明顯下降。這種下降可能是由于當較大的權重塊一起量化時，量化誤差會增加，從而使異常值影響到更多的權重。相比之下，本文的「超權重」感知量化方法對更大的塊大小具有更強的魯棒性。隨著塊大小的增大，模型質量的下降明顯小于 round-to-near 方法。
這種魯棒性源于本文方法能夠保留最關鍵的權重（超權重），同時將離群值權重對整個量化過程的影響降至最低。通過剪除離群值并關注離群值權重，本文的方法在表示模型參數時保持了更高的保真度。
還有一個關鍵優勢是，它能夠支持更大的數據塊尺寸，同時減少模型質量的損失。這種能力使平均比特率更低，文件尺寸更小，這對于在資源有限的環境（如移動設備或邊緣計算場景）中部署模型至關重要。
更多研究細節，可參考原論文。
