从5月和6月几家科技巨头的发布会中，我们已经能隐隐感受到AI的一个重要发展趋势：从云数据中心走向个人用户，从大型服务器走向笔记本和移动设备。

遵循Scaling Law已经不再是唯一的路径，模型「以小搏大」的故事不断上演。

先有微软更新Phi系列小模型，一个树莓派即可运行RAG；后有谷歌用27B参数Gemma 2力压70B的Llama 3。

硬件方面，我们看到了AI功能逐渐与电子产品进行深度集成。

比如微软臭名昭著的Recall功能，正是他们AI+PC战略的重要组成部分；苹果也在Apple Intelligence的大旗下推出用于3B小模型，力求与iOS无缝衔接。

如今LLM的参数量动辄上百亿，苹果3B的参数量已经显得十分迷你，但对手机这种移动设备来说依旧有很高门槛。

不仅用2-bit和4-bit混合精度压缩模型（平均每个权重3.5-bit），而且要有至少8G内存和M1芯片才能运行。

Meta最近发表的一篇论文就表明，参数量可以进一步收缩，最新提出的MobileLLM模型参数量小于1B，但性能依旧可观。

论文地址：https://arxiv.org/abs/2402.14905

LeCun也亲自发推为这项研究背书，称赞了其中一系列精简参数量的操作。

这篇论文已被ICML 2024接收，模型的训练代码也已经在GitHub上开源。

GitHub地址：https://github.com/facebookresearch/MobileLLM

简介

我们首先做个假设，如果把GPT-4（大约有1万亿参数）以50tokens/s的推理速度部署在生活中，你需要什么样的硬件？

答案是1亿个H100 GPU。别说是移动设备了，家里都放不下。

那如果降低标准，用LLaMA-v2 7B这样的模型，再加上8-bit量化呢？

简单计算一下，光存储模型参数就需要约7GB，但不是存储空间，而是珍贵的运存空间（DRAM）。

而且DRAM也不能被AI模型全占了，考虑到操作系统和其他应用的运行，LLM的运存占比不能超过10%。

按照图2的统计，各个品牌最近发布的移动设备一般会配备6～12GB的DRAM。这就意味着，如果要在手机上顺利部署，模型的参数量最好能降低到<1B。

不仅是运存，耗电也是一大问题。7B模型的能耗大概是0.7J/token，一个满电的iPhone大概有50kJ可供挥霍。计算下来，如果生成速度是10tokens/s，手机充满一次电只够你和模型对话2小时。

基于上述考虑，用<1B的模型部署在移动端是更理想的选择，因此MobileLLM的参数量定位在125M/350M，比苹果的3B模型还少了一个数量级，可谓「迷你中的迷你」。

但是别被Scaling Law局限，参数小不意味着能力弱，模型架构的重要性应该重新进入我们的视线。

MobileLLM不仅在同等大小的模型中达到了SOTA性能，而且提出，架构的深度比宽度更重要。一个「深而窄」的「瘦长」小模型同样可以学习到抽象概念。

架构与方法

在只有125M/350M参数的情况下，如何在有限范围内实现架构设计的最优化就成为了重要的问题。

对于<1B的LLM，作者探索出了4种行之有效的架构设计技巧。

1)使用SwiGLU前馈网络

2)让网络整体形状变得「狭长」，即深而窄

3)重新使用编码共享（embedding sharing）方法

4)使用组查询注意力机制（grouped query attention）

在此基础上，作者还提出了一种块间层共享（block-wise layer-sharing）方法，能够在不引入额外内存开销的情况下进一步提高模型准确率，但代价是增加解码过程的推理延迟。

这种添加了层共享机制的模型被标记为MobileLLM-LS。

反驳Scaling Law：小模型的架构设计很重要

2020年提出Scaling Law的论文认为，训练数据量、参数量以及训练迭代次数才是决定性能的关键因素，而模型架构的影响几乎可以忽视。

然而这篇论文的作者通过对比实验提出，这个定律对小模型并不适用。

当模型参数固定在125M或者350M时，30～42层的「狭长」模型明显比12层左右的「矮胖」模型有更优越的性能（图4），在常识推理、问答、阅读理解等8个基准测试上都有类似的趋势。

这其实是非常有趣的发现，因为以往为125M量级的小模型设计架构时，一般都不会叠加超过12层。

为什么要重拾「编码共享」

「编码共享」（embedding sharing）方法最开始由OPT这样的小模型提出，因为小模型中编码层的参数占到了相当大的比例。

比如，125M模型中要使用上下文长度32k、维度512的编码，输入和输出编码层就包含了16M的参数，占比达到20%。

相较之下，大模型的编码层参数量显得微不足道。比如LLaMA-7B中，这个比例就下降到了3.7%，LLaMA-70B甚至只有0.7%。因此，共享编码对于LLM来说可有可无。

编码共享在大模型时代的过气，不代表这种技术不再适用于小模型，它可以让模型架构更紧凑、更有效率。

如表1所示，进行编码共享后，模型在总参数量降低16M的情况下依旧总体维持了原有性能，甚至在某些基准上有提升。

层共享机制

之前提到，论文的实验结果发现，让小模型变得「瘦长」有利于性能提升。于是作者想到：如果引入层共享机制，不就相当于保持参数总量不变的同时，增加了模型深度。

实验证明，这种方法的确可以提升性能，而且论文还对比了不同的层共享方法（图6），最终权衡设备内存、性能和推理延迟，选择了即时块间层共享（immediate block-wise sharing，图6b）。

评估实验

作者构建了125M和350M参数的MobileLLM/MobileLLM-LS模型，并在1T的数据集上进行训练。

预训练后的模型在多个数据集上进行零样本测试，包括ARC-easy、ARCchallenge、HellaSwag、 WinoGrande、TQA、RACE等常用基准。

表3展示的是零样本常识推理方面的测评结果，MobileLLM系列基本实现了全面SOTA，不仅能超越之前发布的OPT、BLOOM等经典模型，也优于最近发布的GPT-neo、Galactica、RWKV等参数更大的模型。

在问答和阅读理解方面，MobileLLM依旧表现出色（表4）。相比其他模型，125M和325M的MobileLLM在TQA上分别有>6.4分和约10分的提升。

下游任务

除了在基准测试上跑分，论文还考虑到了应用场景部署时对模型多方面的要求，并进行了相应测评。

AlpacaEval和MT-Bench分别测试模型在单轮和多轮聊天任务中的表现，相比其他3个基线模型，MobileLLM依旧是性能最优，而且甚至能用350M的参数超过其他参数>1B模型的表现。

除了对话，在API调用的场景中，MobileLLM的EM分数可以和7B参数的LLaMA-v2相匹配。

此外，MobileLLM与量化（PTQ）的兼容性也很好。经过W8A8量化后，模型的性能只有不到0.5分的下降，并且依旧与层共享机制兼容，因此可以适应更严苛硬件条件下的部署。

作者简介

本文的通讯作者Zechun Liu是Meta Reality Labs的研究科学家。她本科毕业于复旦大学，博士毕业于香港科技大学，加入Meta前曾有两年多的时间在CMU担任访问学者。

Zechun的研究兴趣是深度学习在现实场景中的应用，例如资源不足的限制、计算资源和精度之间的权衡等，其中重点关注网络二值化和量化、网络通道剪枝、架构设计、知识蒸馏等方面。

文章来源于“新智元”，作者“新智元”