cover_image

新型AI大模型微调方式：ReFT 表征微调

大家好，我是 Bob! 😊 一个想和大家慢慢变富的 AI 程序员💸 分享 AI 前沿技术、项目经验、面试技巧! 欢迎关注我，一起探索，一起破圈！💪

ReFT (表征微调)

本文主要介绍 ReFT(表征微调)，这是一种比 PeFT(参数高效微调)效果更好的新的大语言模型微调技术。

背景

PEFT

PEFT (Parameter-Efficient Fine-Tuning，参数高效微调) 是一种仅微调少量模型参数或添加额外的模型参数，固定大部分预训练参数，从而大大降低计算和存储成本的方法。

ReFT

ReFT (Representation Finetuning) 是一组专注于在推理过程中对语言模型的隐藏表示学习干预的方法，而不是直接修改其权重。

相比 PEFT，ReFT 不改变原模型权重，所消耗的算力资源更少，效果也不错。

原理

LoReFT 本质上是在一个线性子空间中使用低秩投影矩阵调整隐藏表示。

简化背景: 我们有一个基于 Transformer 架构的语言模型 (LM)。这个 LM 接受一系列的 token（单词或字符）作为输入。首先将每个 token 转换为一个表示，然后通过多层计算参考附近 token 的上下文来优化这些表示。每一步都会生成一组隐藏表示，捕捉每个 token 在序列上下文中的意义。最终，模型使用这些优化后的表示来预测序列中的下一个 token（在自回归 LM 中）或在其词汇空间中预测每个 token 的可能性（在掩码 LM 中）。

ReFT 方法系列改变了模型处理这些隐藏表示的方式，特别是在定义为低秩投影矩阵的特定子空间中进行调整。这有助于提高模型在各种任务中的效率和效果。

干预定义

ReFT 定义了一个干预的概念，它在模型向前传递期间修改隐藏的表示。干预 I 是一个元组 ⟨Φ，P, L⟩，封装了由基于 transformer 的 LM 计算的表示的单个推理时间的干预动作，包含三个参数:

• 干预函数 Φ: 用学习到的参数 Φ (Φ) 来表示。
• 干预所应用的一组输入位置 P ≤ {1，…，n}。
• 对层 L ∈ {1，…，m} 进行干预。

干预的动作如下:

h⁽ˡ⁾ ← (Φ(h_p⁽ˡ⁾) if p ∈ P else h_p⁽ˡ⁾)_{p ∈ 1,…,n}

该干预在前向传播计算完后立即进行，所以会影响到后续层中计算的表示。为了提高计算的效率，也可以将干预的权重进行低秩分解，也就是得到了低秩线性子空间 ReFT (LoReFT)。

在公式中使用学习到的投影源 Rs = Wh + b。LoReFT 编辑 R 列的 R 维子空间中的表示，来获取从我们的线性投影 Wh + b 中获得的值。

对于生成任务，ReFT 论文使用语言建模的训练目标，重点是在所有输出位置上使用最小化交叉熵损失。

区别与优势

• PEFT方法 ：例如，LoRA、DoRA 和 prefix-tuning，侧重于修改模型的权重或引入额外的权重矩阵。
• ReFT方法 ：不直接修改模型的权重；它们会干预模型在向前传递期间计算的隐藏表示。

优势

• 参数效率 ：ReFT 方法，特别是 LoReFT，在参数效率方面表现出色，通常比现有的 PEFT 方法如 LoRA 更高效（参数效率高15-65倍）。
• 性能与效率的平衡 ：ReFT 方法在效率和性能之间取得了良好的平衡，通常在多个任务上展现出与 PEFT 方法相当或更好的性能。
• 不修改权重 ：ReFT 方法不涉及权重更新，而是专注于对隐藏表示的干预，这可以减少对模型结构的修改，从而可能有利于模型的稳定性和可解释性。
• 可解释性 ：ReFT 方法可能提供比 PEFT 方法更高的可解释性，因为它直接操作模型的内部表示，这可以揭示模型如何执行特定任务。
• 兼容性 ：ReFT 方法可以作为现有 PEFT 方法的替代品，因为它们是 drop-in replacements，可以很容易地集成到现有的框架中。
• 潜在的应用 ：ReFT 方法可能适用于多种场景，包括多任务学习、指令调优和跨模态任务，如视觉-语言模型。

使用

可以使用 pyreft 实现 ReFT。

（ https://github.com/stanfordnlp/pyreft **** ）

论文直达：

（ https://arxiv.org/pdf/2404.03592 ）

Bob的产品

1.【Bob的AI成长陪伴群】门票🎫99💰/年。

2.【AI+老人回忆录制作】正在运营，有需求或者想加入可微信私聊。

3.【语音咨询】：99💰/小时

群里分享讨论:

🔴AI变现项目、AI前沿技术、NLP知识技术分享、前瞻思考、面试技巧、找工作等

🔴个人IP打造、自媒体副业、向上社交、以及我的日常生活所见所闻，所思所想。

找一群人一起走，慢慢变富。期待和同频‮朋的‬友一起蜕变！

扫码加微信，链接不迷路！

目录