论文题目： DB-LLM: Accurate Dual-Binarization for Efficient LLMs
论文链接： https://arxiv.org/abs/2402.11960

大型语言模型（LLMs）的双重二值化方法：新纪元的高效自然语言处理。随着大型语言模型（LLMs）在自然语言处理领域取得显著进展，它们在实际应用中却受到高昂的内存和计算消耗的限制。而量化作为提高LLMs计算效率的最有效手段之一，却在现有的超低位宽量化中遇到了严重的准确性下降问题。

为此，我们在本论文中提出了一种针对LLMs的新颖双重二值化方法——DB-LLM，在微观层面，我们综合考虑了两比特位宽的准确性优势和二值化的效率优势，引入了灵活的双重二值化（FDB）技术。通过将2位量化权重分割为两套独立的二进制集合，FDB在保证表示准确性的同时，引入了灵活性，利用二值化的高效位操作，并保持了超低位量化的高稀疏性。在宏观层面，我们发现了LLMs在量化后预测中存在的失真问题，即与样本模糊性相关的偏差。

我们提出了偏差感知蒸馏（DAD）方法，使模型能够根据不同样本进行不同的关注。**全面的实验表明，我们的DB-LLM不仅在超低位量化方面大幅超越当前最先进技术（例如，复杂度从9.64降至7.23），而且在相同位宽下，与最先进方法相比，计算消耗额外减少了20%**。

 

 

01. 引言

超低位量化（≤ 4位）作为一种极其高效的量化形式，能实现超过8倍的内存压缩比。尽管这些专门的仅权重量化方案在存储消耗上实现了节省，但它们仍无法避免昂贵的浮点运算。我们注意到，这些量化方案会导致严重的准确性下降。例如，尽管应用了先进的2位量化技术，65B模型的性能仍然略低于7B模型。

本文的动机包含微观层面和宏观层面两个方面：

• 微观层面，近期研究表明，LLMs的权重呈对称高斯分布，且少部分显著权重对量化性能至关重要。在多低位量化的角度进行深入探究时发现，二值化受限于表征能力较弱，且剩余两级权重趋向于零，导致忽视了关键的显著权重，从而产生较高的损失值。而2位量化自然克服了表征瓶颈，虽然最小损失点显著降低，但损失曲面仍然陡峭，带来优化难度。因此，为结合二值化的高效率和2位量化的灵活表征能力，提出灵活的双重二值化（FDB）方法。

 

• 宏观层面，量化的大型语言模型在预测偏好上的长尾分布存在偏差。当前主流大型语言模型的构建基于利用长尾语料库的字节对编码（BPE），而全精度LLMs的预测偏好遵循长尾分布。然而，极低位模型的预测偏离了此分布，显示出增加的失真，特别是在倾向于预测词汇表中高频头部类别。对比同样输入下，低位模型预测常见头部类别的概率约是预测不常见尾部类别的1.6倍，表明了对更普遍类别的偏见。通过信息熵度量失败预测的不确定性，发现量化模型在处理含糊样本时的挑战，倾向于更保守的预测。因此，提出了偏差感知蒸馏（DAD）方法，通过利用一对熵（即教师-学生熵）作为难度指标来优先处理不确定样本。

为解决这些问题，我们提出了一种新型的双重二值化方法，称为DB-LLM，以实现精确的2位LLMs。具体来说，我们首先引入灵活的双重二值化（FDB），通过灵活的双二值化器增强表示能力，同时充分利用二值化参数的效率优势。其次，我们提出了偏差感知蒸馏（DAD）来减轻扭曲偏好，这种方法通过重加权蒸馏损失来放大样本间的模糊性，使低位LLMs能够感知每个样本的不确定性，实现平衡的知识传递。

02. 本文方法

2.1 灵活的双重二值化（Flexible Dual Binarization）

FDB方法结合了二值化的高效性和2位量化的准确性。它将2位量化的权重分割为两组独立的1位二进制数，并映射到0和1，旨在同时增强表示能力和利用二值化的位运算效率。

 

通过这种方式，FDB不仅保持了超低位量化的高稀疏性特点，还提高了对权重的灵活表示，使损失曲面更加平坦，并降低了损失。

 

具体来说，FDB首先从相对较高位宽的LLM中继承性能，然后通过微调尺度参数进一步增强表示能力。FDB将2位量化权重分为两个1位权重，并分别为它们分配缩放因子α1和α2，这些参数将在微调阶段进行优化​。

 

2.2 偏差感知蒸馏（Deviation-Aware Distillation）

DAD方法是为了解决超低位量化后LLM的预测偏差问题而提出的。研究发现，经过量化的模型更倾向于预测高频的头部类别，而不是低频的尾部类别，从而表现出对常见类别的偏见。

 

DAD通过利用教师模型和学生模型的熵作为样本难度的指标，优先处理不确定性高的样本。它通过在蒸馏损失函数中引入教师-学生联合熵，重新加权损失函数，使低位模型更加关注模棱两可的样本，从而实现从全精度教师模型到量化模型的更平衡的知识转移​​​​。

 

03. 实验效果

生成任务上的困惑度指标： 在生成任务中，DB-LLM模型展示了出色的性能。尤其在使用2位量化时，该模型在不同规模的LLaMA家族模型（如LLaMA-1-30B和LLaMA-1-65B）上表现优异。例如，在LLaMA-1-30B模型上，DB-LLM实现了5.52的困惑度（Perplexity），而在LLaMA-1-65B模型上达到了4.84。这些结果不仅接近全精度LLaMA-1-7B模型的困惑度（5.68），甚至优于其他3位量化方法，如AWQ。这一成果突显了DB-LLM在保持高性能的同时，有效降低量化位宽的能力​​​​。

 

零样本（zero-shot）任务效果： 在零样本任务中，DB-LLM同样表现出色。在多个零样本任务（如PIQA、ARC-e、ARC-c、HellaSwag和Winogrande）中，DB-LLM在2位量化情况下均实现了令人满意的准确度，全面超越其他方法。具体来说，在LLaMA-1-7B模型上，DB-LLM在这些任务中的平均准确度明显高于其他量化方法，显示了其在处理零样本任务时的高效性和通用性​​​​。

 

节省存储和计算效率： 在存储和计算效率方面，DB-LLM取得了显著的成果。在LLaMA-1-7B模型上，DB-LLM将模型的存储空间从12.6G降低至2.3G。同时，在计算效率方面，除了受益于位运算，由于权重稀疏性（超过60%）得以提升，相比全精度模型（FP16），DB-LLM将单次推理所需的浮点运算数（FLOPs）从423.4G大幅减少至29.8G，降低了约14.2倍。这种显著的降低不仅在计算资源受限的设备上具有重要价值，同时也减轻了存储和计算的负担​​​​​​。

 

04. 总结

文中介绍的DB-LLM模型通过结合柔性双重二值化（FDB）方法和偏差感知蒸馏（DAD）方法，有效提升了大型语言模型（LLM）在超低位量化情况下的性能和效率。FDB方法有效地结合了二值化的运算效率和2位量化的准确性，通过将2位量化的权重分割成两组1位二进制数，不仅保持了超低位量化的高稀疏性，还提高了权重的灵活表示能力。而DAD方法则针对超低位量化后模型的预测偏差问题，通过利用教师-学生模型的熵作为样本难度的指标，优先处理不确定性高的样本，实现了从全精度教师模型到量化模型的更平衡的知识转移。这两种方法的结合使DB-LLM在保持低计算需求的同时，也在精度上达到了超越当前最先进技术的水平。

---

  关于TechBeat人工智能社区

▼

TechBeat(www.techbeat.net)隶属于将门创投，是一个荟聚全球华人AI精英的成长社区。

我们希望为AI人才打造更专业的服务和体验，加速并陪伴其学习成长。

期待这里可以成为你学习AI前沿知识的高地，分享自己最新工作的沃土，在AI进阶之路上的升级打怪的根据地！

更多详细介绍>>TechBeat，一个荟聚全球华人AI精英的学习成长社区