轉(zhuǎn)自《機器之心》

預訓練大語言模型（LLM）在特定任務上的性能不斷提高，隨之而來的是，假如 prompt 指令得當，其可以更好的泛化到更多任務，很多人將這一現(xiàn)象歸功于訓練數(shù)據(jù)和參數(shù)的增多，然而最近的趨勢表明，研究者更多的集中在更小的模型上，不過這些模型是在更多數(shù)據(jù)上訓練而成，因而在推理時更容易使用。
舉例來說，參數(shù)量為 7B 的 LLaMA 在 1T token 上訓練完成，盡管平均性能略低于 GPT-3，但參數(shù)量是后者的 1/25。不僅如此，當前的壓縮技術還能將這些模型進一步壓縮，在保持性能的同時還能大幅減少內(nèi)存需求。通過這樣的改進，性能良好的模型可以在終端用戶設備（如筆記本）上進行部署。
然而，這又面臨另一個挑戰(zhàn)，即想要將這些模型壓縮到足夠小的尺寸以適應這些設備，怎樣才能兼顧生成質(zhì)量。研究表明，盡管壓縮后的模型生成的答案準確率還可以，但現(xiàn)有的 3-4 位量化技術仍然會讓準確性降低。由于 LLM 生成是順序進行的，依賴于先前生成的 token，小的相對誤差不斷累積并導致嚴重的輸出損壞。為了確?？煽康馁|(zhì)量，關鍵是設計出低位寬的量化方法，與 16 位模型相比不會降低預測性能。
然而，將每個參數(shù)量化到 3-4 位通常會導致中等程度、甚至是高等程度的準確率損失，特別是那些非常適合邊緣部署的 1-10B 參數(shù)范圍內(nèi)的較小模型。
為了解決準確性問題，來自華盛頓大學、蘇黎世聯(lián)邦理工學院等機構(gòu)的研究者提出了一種新的壓縮格式和量化技術 SpQR（Sparse-Quantized Representation，稀疏 - 量化表征），首次實現(xiàn)了 LLM 跨模型尺度的近無損壓縮，同時達到了與以前方法相似的壓縮水平。
SpQR 通過識別和隔離異常權(quán)重來工作，這些異常權(quán)重會導致特別大的量化誤差，研究者將它們以更高的精度存儲，同時將所有其他權(quán)重壓縮到 3-4 位，在 LLaMA 和 Falcon LLMs 中實現(xiàn)了不到 1% 的困惑度相對準確率損失。從而可以在單個 24GB 的消費級 GPU 上運行 33B 參數(shù)的 LLM，而不會有任何性能下降，同時還能提高 15% 的速度。
SpQR 算法高效，既可以將權(quán)重編碼為其他格式，也可以在運行時進行有效地解碼。具體來說，該研究為 SpQR 提供了一種高效的 GPU 推理算法，可以比 16 位基線模型更快地進行推理，同時實現(xiàn)了超過 4 倍的內(nèi)存壓縮收益。
方法
該研究提出一種混合稀疏量化的新格式 —— 稀疏量化表征（SpQR），可以將精確預訓練的 LLM 壓縮到每個參數(shù) 3-4 位，同時保持近乎無損。
具體來說，該研究將整個過程分為兩步。第一步是異常值檢測：該研究首先孤立了異常值權(quán)重，并證明其量化會導致高誤差：異常值權(quán)重保持高精度，而其他權(quán)重以低精度（例如 3 位的格式）存儲。然后，該研究以非常小的組大小實現(xiàn)分組量化（grouped quantization）的變體，并表明量化尺度本身可以被量化為 3 位表征。
SpQR 極大地減少了 LLM 的內(nèi)存占用，而不會降低準確性，同時與 16 位推理相比，LLM 的生成速度快了 20%-30%。
此外，該研究發(fā)現(xiàn)，權(quán)重矩陣中敏感權(quán)重的位置不是隨機的，而是具有特定的結(jié)構(gòu)。為了在量化過程中突出顯示其結(jié)構(gòu)，該研究計算了每個權(quán)重的敏感度，并為 LLaMA-65B 模型可視化這些權(quán)重敏感度。下圖 2 描繪了 LLaMA-65B 最后一個自注意力層的輸出投影。

該研究對量化過程進行了兩個改變：一個用于捕捉小的敏感權(quán)重組，另一個用于捕捉單個的異常值。下圖 3 為 SpQR 的總體架構(gòu)：

下表為 SpQR 量化算法，左邊的代碼片段描述了整個過程，右邊的代碼片段包含了二級量化和查找異常值的子程序：

實驗
該研究將 SpQR 與其他兩種量化方案進行了比較：GPTQ、RTN（rounding-to-nearest），并用兩個指標來評估量化模型的性能。首先是困惑度的測量，所用數(shù)據(jù)集包括 WikiText2、 Penn Treebank 以及 C4；其次是在五個任務上的零樣本準確率：WinoGrande、PiQA、HellaSwag、ARC-easy、ARC-challenge。
主要結(jié)果。圖 1 結(jié)果顯示，在相似的模型大小下，SpQR 的性能明顯優(yōu)于 GPTQ（以及相應的 RTN），特別是在較小的模型上。這種改進得益于 SpQR 實現(xiàn)了更多的壓縮，同時也減少了損失退化。

表 1、表 2 結(jié)果顯示，對于 4 位量化，與 GPTQ 相比，SpQR 相對于 16 位基線的誤差減半。

表 3 報告了 LLaMA-65B 模型在不同數(shù)據(jù)集上的困惑度結(jié)果。

最后，該研究評估了 SpQR 推理速度。該研究將專門設計的稀疏矩陣乘法算法與 PyTorch（cuSPARSE）中實現(xiàn)的算法進行了比較，結(jié)果如表 4 所示。可以看到，盡管 PyTorch 中的標準稀疏矩陣乘法并沒有比 16 位推理更快，但本文專門設計的稀疏矩陣乘法算法可以提高約 20-30% 的速度。