LLM中的大規(guī)模激活

Massive Activations in Large Language Models摘要：我們?cè)诖笮驼Z(yǔ)言模型（LLM）中觀察到一種經(jīng)驗(yàn)現(xiàn)象-很少有激活表現(xiàn)出比其他激活大得多的值（例如，100，000倍）。我們稱(chēng)之為大規(guī)模激活。首先，我們證明了廣泛存在的大規(guī)模激活在各種LLM和表征他們的位置。其次，我們發(fā)現(xiàn)它們的值在很大程度上保持不變，無(wú)論輸入，它們作為不可或缺的偏置項(xiàng)在LLM中。第三，這些大規(guī)模的激活導(dǎo)致注意概率集中到它們相應(yīng)的標(biāo)記上，并進(jìn)一步導(dǎo)致自我注意輸出中的隱式偏差項(xiàng)。最后，我們還研究了Vision Transformers中的大規(guī)模激活。

https://arxiv.org/abs/2402.17762

Q1: 這篇論文試圖解決什么問(wèn)題？

A: 這篇論文主要研究了大型語(yǔ)言模型（LLMs）中的一個(gè)現(xiàn)象，即在模型的隱藏狀態(tài)中存在極少數(shù)激活值（activations）遠(yuǎn)大于其他激活值的情況，這些被稱(chēng)為“massive activations”。論文試圖解決的問(wèn)題包括：

1.現(xiàn)象的普遍性：作者首先展示了這種massive activations在不同LLMs中的普遍存在，并對(duì)其進(jìn)行了特征定位。

2.功能角色：研究這些massive activations在LLMs中的功能角色，即它們是否對(duì)模型性能有實(shí)質(zhì)性影響，還是僅僅是無(wú)關(guān)緊要的異常值。

3.與自注意力機(jī)制的關(guān)聯(lián)：探討massive activations與自注意力機(jī)制之間的關(guān)系，以及它們如何影響模型的注意力分布。

4.作為固定偏差的作用：分析massive activations如何在LLMs中充當(dāng)固定但重要的偏差項(xiàng)，并探究這種偏差對(duì)模型性能的影響。

5.在視覺(jué)變換器（Vision Transformers, ViTs）中的應(yīng)用：將研究擴(kuò)展到ViTs，觀察是否也存在類(lèi)似的massive activations現(xiàn)象，并分析其在ViTs中的作用。

6.消除massive activations的可能性：通過(guò)實(shí)驗(yàn)，作者探索了通過(guò)在自注意力中顯式引入偏差項(xiàng)來(lái)消除massive activations的可能性。

總的來(lái)說(shuō)，這篇論文試圖深入理解LLMs內(nèi)部表示中massive activations的本質(zhì)、功能和影響，以及它們?nèi)绾闻c模型的自注意力機(jī)制相互作用。這些發(fā)現(xiàn)有助于我們更好地理解大型模型的內(nèi)部工作機(jī)制，可能對(duì)改進(jìn)模型設(shè)計(jì)和訓(xùn)練方法具有重要意義。

Q2: 有哪些相關(guān)研究？

A: 論文中提到了與massive activations現(xiàn)象相關(guān)的一些研究領(lǐng)域和具體工作，包括：

自回歸Transformers的有趣屬性：

Timkey和Schijndel (2021) 觀察到GPT-2的倒數(shù)第二層中存在特征維度，其激活值高達(dá)3000，這些維度在評(píng)估表示相似性的標(biāo)準(zhǔn)度量中占主導(dǎo)地位。

Heimersheim和Turner (2023) 發(fā)現(xiàn)GPT-2中初始token的特征范數(shù)比其他token增長(zhǎng)得更快。

Kovaleva等人 (2021) 和 Zhao等人 (2023) 展示了GPT-2和LLaMA2-13B中LayerNorm的異常權(quán)重的存在，并表明將它們?cè)O(shè)置為零會(huì)導(dǎo)致模型性能的災(zāi)難性下降。

異常特征（Outlier Features）：

Dettmers等人 (2022) 展示了LLMs中異常特征的存在，這些特征在大多數(shù)序列維度中具有較大的激活值。盡管massive activations和異常特征在表面上看似相似，但論文中討論了它們的根本區(qū)別，并表明massive activations不能歸因于異常特征的存在。

注意力集中模式（Attention Concentration Patterns）：

Clark等人 (2019b)、Kovaleva等人 (2019) 和 Bondarenko等人 (2021) 發(fā)現(xiàn)BERT中的注意力傾向于集中在“separate”token [SEP]上。

Xiao等人 (2023b) 展示了LLMs將大部分注意力分配給起始詞token。

Darcet等人 (2023) 揭示了ViTs中注意力的異?，F(xiàn)象。

Robinson等人 (2023) 發(fā)現(xiàn)ViTs中的稀疏激活模式，這些模式將注意力吸引到特定token上。

自注意力中的偏差（Biases in Self-Attention）：

Namazifar等人 (2023) 提出了在自注意力的線(xiàn)性層中使用簡(jiǎn)單的加性偏差項(xiàng)。

Su等人 (2021) 和 Press等人 (2021) 引入了位置偏差來(lái)編碼每個(gè)token的位置信息。

Evan (2023) 和 Bondarenko等人 (2023) 提出了具有手動(dòng)設(shè)計(jì)的softmax操作符的偏差變體。

Vision Transformers（ViTs）中的massive activations：

Darcet等人 (2023) 提出了在標(biāo)準(zhǔn)ViTs中引入額外的可學(xué)習(xí)token（稱(chēng)為register tokens），并展示了訓(xùn)練帶有register tokens的ViTs可以導(dǎo)致平滑的注意力圖，從而提高了下游任務(wù)的性能。

這些相關(guān)研究為理解LLMs和ViTs的內(nèi)部機(jī)制提供了背景知識(shí)，并且與本文研究的massive activations現(xiàn)象有著直接或間接的聯(lián)系。

Q3: 論文如何解決這個(gè)問(wèn)題？

A: 論文通過(guò)以下步驟來(lái)解決大型語(yǔ)言模型（LLMs）中massive activations的問(wèn)題：

現(xiàn)象觀察：首先，作者在不同的LLMs中觀察并確認(rèn)了massive activations的普遍存在。他們通過(guò)可視化技術(shù)展示了這些激活值在特定特征維度上的異常高值。

特征定位：作者確定了massive activations在模型的哪些層和特征維度上出現(xiàn)，以及它們與序列中的哪些token相關(guān)聯(lián)。他們發(fā)現(xiàn)這些激活通常出現(xiàn)在模型的起始token和分隔符token（如句點(diǎn)或換行符）。

功能分析：通過(guò)干預(yù)實(shí)驗(yàn)（例如，將massive activations設(shè)置為零或其均值），作者分析了這些激活對(duì)模型性能的影響。他們發(fā)現(xiàn)，massive activations對(duì)模型性能至關(guān)重要，且其值在輸入變化時(shí)保持相對(duì)恒定，類(lèi)似于固定偏差。

自注意力機(jī)制的深入研究：作者探討了massive activations如何影響自注意力機(jī)制，特別是它們?nèi)绾螌?dǎo)致注意力集中在與這些激活相關(guān)的token上。他們通過(guò)分解注意力輸出來(lái)展示這些token如何作為隱含的注意力偏差項(xiàng)。

顯式偏差的引入：為了消除massive activations，作者嘗試在自注意力中顯式引入偏差項(xiàng)。他們通過(guò)實(shí)驗(yàn)發(fā)現(xiàn)，當(dāng)在自注意力中添加額外的鍵（key）和值（value）嵌入作為顯式偏差時(shí)，模型不再需要學(xué)習(xí)massive activations。

視覺(jué)變換器（ViTs）的擴(kuò)展研究：作者還將研究擴(kuò)展到ViTs，觀察這些模型是否也存在類(lèi)似的massive activations現(xiàn)象，并分析它們?cè)赩iTs中的作用。他們發(fā)現(xiàn)ViTs中的某些模型也表現(xiàn)出massive activations，并且這些激活在功能上類(lèi)似于LLMs中的massive activations。

替代方法的探索：作者還探索了其他可能的方法來(lái)引入自注意力中的偏差，例如通過(guò)修改softmax操作符或添加額外的特征維度。

通過(guò)這些步驟，論文不僅揭示了massive activations在LLMs中的作用，還提出了可能的解決方案來(lái)調(diào)整或消除這些激活，從而可能改善模型的訓(xùn)練和性能。

Q4: 論文做了哪些實(shí)驗(yàn)？

A: 論文中進(jìn)行了一系列實(shí)驗(yàn)來(lái)研究大型語(yǔ)言模型（LLMs）中的massive activations現(xiàn)象，以及它們?cè)谀Ｐ椭械淖饔煤陀绊憽Ｒ韵率侵饕膶?shí)驗(yàn)內(nèi)容：

存在性驗(yàn)證：作者在多個(gè)LLMs中觀察massive activations，包括LLaMA2-7B、LLaMA2-13B和Mixtral-8x7B等，通過(guò)可視化技術(shù)展示了這些激活在特定特征維度上的異常高值。

位置和特性分析：對(duì)于LLaMA2-7B模型，作者分析了massive activations在不同層和特征維度上的位置，以及它們與序列中特定token（如起始token和句點(diǎn)token）的關(guān)系。

干預(yù)實(shí)驗(yàn)：作者通過(guò)將massive activations設(shè)置為零或其均值，來(lái)評(píng)估這些激活對(duì)模型性能的影響。實(shí)驗(yàn)結(jié)果表明，massive activations對(duì)模型性能至關(guān)重要。

自注意力分析：作者研究了massive activations如何影響自注意力機(jī)制，特別是它們?nèi)绾螌?dǎo)致注意力集中在與這些激活相關(guān)的token上。他們通過(guò)分析注意力logits和注意力概率來(lái)展示這一點(diǎn)。

顯式偏差引入實(shí)驗(yàn)：為了消除massive activations，作者嘗試在自注意力中引入顯式偏差項(xiàng)。他們訓(xùn)練了GPT-2模型，并在自注意力中添加了額外的鍵（key）和值（value）嵌入作為顯式偏差。實(shí)驗(yàn)結(jié)果顯示，這種方法可以消除massive activations。

Vision Transformers（ViTs）的實(shí)驗(yàn)：作者在ViTs中也觀察到了massive activations現(xiàn)象，并分析了它們?cè)赩iTs中的作用。他們研究了CLIP、MAE和DINOv2等模型，并探討了register tokens在ViTs中的功能。

替代方法的探索：作者探索了其他可能的方法來(lái)引入自注意力中的偏差，例如通過(guò)修改softmax操作符或添加額外的特征維度，并評(píng)估了這些方法對(duì)massive activations的影響。

這些實(shí)驗(yàn)不僅幫助作者深入理解了massive activations在LLMs中的作用，還為如何調(diào)整或消除這些激活提供了實(shí)驗(yàn)依據(jù)。通過(guò)這些實(shí)驗(yàn)，作者能夠提出新的見(jiàn)解和可能的改進(jìn)方向。

Q5: 有什么可以進(jìn)一步探索的點(diǎn)？

A: 論文中提出了一些可以進(jìn)一步探索的點(diǎn)，包括但不限于：

massive activations的深入理解：

研究massive activations在不同類(lèi)型和大小的LLMs中的普遍性和差異性。

探索massive activations在模型訓(xùn)練過(guò)程中的動(dòng)態(tài)變化，以及它們?nèi)绾斡绊懩Ｐ偷膶W(xué)習(xí)過(guò)程。

massive activations與模型性能的關(guān)系：

分析massive activations對(duì)模型泛化能力、魯棒性和可解釋性的具體影響。

研究在不同的下游任務(wù)中，massive activations的作用和重要性。

自注意力機(jī)制的改進(jìn)：

設(shè)計(jì)新的自注意力機(jī)制，以減少或消除對(duì)massive activations的依賴(lài)。

探索其他類(lèi)型的顯式偏差項(xiàng)，以替代或增強(qiáng)massive activations的功能。

ViTs中的massive activations：

在更廣泛的ViTs模型和任務(wù)中研究massive activations現(xiàn)象。

分析register tokens在ViTs中的作用，以及它們與massive activations的關(guān)系。

模型壓縮和優(yōu)化：

研究如何利用對(duì)massive activations的理解來(lái)優(yōu)化模型的壓縮和加速。

探索在模型部署時(shí)，如何有效地處理massive activations以提高效率。

理論分析：

從理論角度分析massive activations的存在對(duì)模型表示能力的影響。

研究massive activations在模型的優(yōu)化過(guò)程中所扮演的角色。

跨領(lǐng)域應(yīng)用：

將對(duì)massive activations的研究擴(kuò)展到其他類(lèi)型的深度學(xué)習(xí)模型，如強(qiáng)化學(xué)習(xí)模型、序列生成模型等。

探索massive activations在多模態(tài)學(xué)習(xí)（如圖像和文本聯(lián)合處理）中的應(yīng)用。

倫理和社會(huì)影響：

研究massive activations可能對(duì)模型的公平性、透明度和可解釋性帶來(lái)的影響。

探討如何在設(shè)計(jì)和部署LLMs時(shí)考慮到這些因素，以促進(jìn)負(fù)責(zé)任的AI發(fā)展。

這些探索點(diǎn)不僅有助于提升我們對(duì)LLMs和ViTs內(nèi)部機(jī)制的理解，還可能對(duì)模型設(shè)計(jì)、訓(xùn)練策略和實(shí)際應(yīng)用產(chǎn)生重要影響。

Q6: 總結(jié)一下論文的主要內(nèi)容

A: 這篇論文主要研究了大型語(yǔ)言模型（LLMs）中的一個(gè)現(xiàn)象，即在模型的隱藏狀態(tài)中存在極少數(shù)激活值（activations）遠(yuǎn)大于其他激活值的情況，這些被稱(chēng)為“massive activations”。以下是論文的主要內(nèi)容總結(jié)：

現(xiàn)象觀察：作者在多個(gè)LLMs中觀察到massive activations的存在，這些激活值在特定的特征維度上顯著高于其他激活值，且數(shù)量極少。

位置和特性分析：通過(guò)分析，作者發(fā)現(xiàn)massive activations通常出現(xiàn)在模型的起始token和分隔符token（如句點(diǎn)或換行符）上，且在模型的不同層中表現(xiàn)出不同的分布特征。

功能角色：實(shí)驗(yàn)表明，massive activations在LLMs中扮演著類(lèi)似固定偏差的角色，對(duì)模型性能至關(guān)重要。將它們?cè)O(shè)置為零會(huì)導(dǎo)致模型性能顯著下降，而將它們?cè)O(shè)置為均值則對(duì)性能影響不大。

與自注意力的關(guān)聯(lián)：作者發(fā)現(xiàn)massive activations與自注意力機(jī)制密切相關(guān)，它們導(dǎo)致注意力集中在相關(guān)token上，并在自注意力輸出中形成隱含的偏差項(xiàng)。

顯式偏差的引入：通過(guò)在自注意力中引入顯式偏差項(xiàng)，作者展示了可以消除massive activations的需要，這表明massive activations可能是在預(yù)訓(xùn)練階段學(xué)習(xí)隱含偏差的一種方式。

Vision Transformers（ViTs）中的研究：作者還將研究擴(kuò)展到ViTs，發(fā)現(xiàn)在ViTs中也存在類(lèi)似的massive activations現(xiàn)象，這些激活在功能上類(lèi)似于LLMs中的massive activations。

未來(lái)工作：論文提出了一些未來(lái)研究方向，包括更深入地理解massive activations在模型中的作用，探索如何在模型設(shè)計(jì)中利用或消除這些激活，以及它們?cè)诓煌?lèi)型模型中的應(yīng)用。

總的來(lái)說(shuō)，這篇論文揭示了LLMs中massive activations的普遍性和重要性，以及它們?nèi)绾斡绊懩Ｐ偷膬?nèi)部機(jī)制和性能。這些發(fā)現(xiàn)對(duì)于理解和改進(jìn)大型模型的設(shè)計(jì)具有重要意義。

審核編輯：黃飛