【LLM】FuseLLM：大模型融合trick-知识融合LLMs

news2024/9/28 21:43:51

前言

传统的模型融合方法分为集成的方法和权重合并的方法，这两种方法在以往的NLP的比赛中非常常见，是一种提分手段。然而，上述两种方法都需要预训练或者微调相应的模型。在大模型场景下，对每个源模型都进行初始化成本太高，为了减少初始化源LLM的成本，使集成后的模型受益于所有源LLMs的优势。因此，本文介绍了一种知识融合的方法用来进行大模型的融合。

1 背景与概念

1.1因果语言建模（Causal Language Modeling, CLM）

因果语言建模是训练语言模型的一种目标，它旨在最小化模型预测下一个词的负对数似然。在传统的语言模型训练中，这个目标是通过比较模型生成的词概率分布与实际文本中的词（以one-hot编码表示）来实现的。CLM训练目标可以表示为：

$p_{\theta}(t_i|t_{i-1})$ 是模型参数$ \theta $下第 i 个词$ t_i $给定前一个词$ t_{i-1} $的预测概率。

1.2 概率分布矩阵

为了更一般地看待语言模型，将序列预测转换为概率分布矩阵。对于给定的文本序列 $t$ ，模型会生成一个概率分布矩阵 $P_{\theta}$ ，其中每一行$ P_{\theta}^i$ 代表模型对第$ i$ 个词的预测分布。这个矩阵可以看作是模型对词汇表 $V$ 中每个词的概率预测。

CLM的训练目标可以重写为概率分布矩阵的形式：

$L_{\text{CLM}} = -\mathbb{E}_{t \sim C} D(P_{\theta}, O_t)$
这里 $D(\cdot, \cdot) $是两个矩阵之间的差异度量，使用 K L 散度来实现。$ O $ 是一个one-hot编码的标签矩阵，其中每一行对应于文本序列中的一个词。

小结：从知识融合的角度看，不同LLMs生成的概率分布矩阵可以反映它们对文本的理解和知识。因此，通过比较和融合这些概率分布矩阵，可以提取和整合多个模型的知识，从而提升目标模型的性能。

2 LLMs融合

2.1 知识外化

不同的LLMs对同一文本生成的不同概率分布矩阵可以代表这些模型嵌入的多样化知识。FUSELLM方法通过概率建模来融合这些源LLMs的概率分布，目的是创建一个统一的LLM，这个新模型能够超越任何单一的源LLM。

2.2 训练

为了实现上述目标，FUSELLM在与预训练数据集相似的原始文本语料库上对目标LLM进行轻量级持续训练。在训练过程中，FUSELLM不仅依赖于因果语言建模（CLM）目标，还强调最小化目标LLM的概率分布与源LLMs的概率分布之间的差异。

融合损失
$L_{Fusion} = -\mathbb{E}_{t \sim C} [D(Qt, Pt)]$
整体损失

$\lambda L_{\text{CLM}} + (1 - \lambda) L_{\text{Fusion}}$

2.3 概率分布矩阵对齐

由于不同源LLMs可能使用不同的分词器，它们生成的概率分布矩阵可能在词汇表和token上存在对齐问题。为了解决这个问题，FUSELLM采用了一种基于**最小编辑距离（MinED）**的策略来对齐这些矩阵，确保不同模型之间的分布矩阵可以正确对齐。

Token Alignment的重要性：在LLMs融合的过程中，确保不同模型生成的标记对齐是至关重要的，因为这直接影响到概率分布矩阵的对齐和后续的知识融合效果。如果标记没有正确对齐，那么即使模型在理解文本方面有优势，也无法有效地将这些优势转移到目标模型中。

Token Alignment的维度：在文本维度上，需要确保两个模型生成的标记序列在文本顺序上对齐；在分布维度上，需要确保来自不同模型的分布值也对齐，即使它们可能对应不同的标记。

因此有两种对齐策略，该文使用的是MinED：

动态规划对齐（EM）策略

文章提到了一种基于动规划的方法来实现标记对齐。这种方法通过递归地最小化编辑序列的成本来对齐两个标记序列。编辑操作包括插入、删除和替换标记。如果两个标记相同，它们可以直接对齐；如果不同，则需要通过编辑操作来找到最佳的对齐方式。
最小编辑距离（MinED）策略

为了提高对齐的成功率并保留更多的有用信息，文章提出了一种基于最小编辑距离（MinED）的策略。这种方法相对于传统的精确匹配（Exact Matching, EM）策略，能够更灵活地处理标记之间的差异。MinED策略通过计算两个标记之间的编辑距离来确定它们是否可以对齐，这通常比直接匹配更加宽松，因此能够减少对齐过程中的信息损失。