0.01%参数定生死！苹果揭秘LLM「超级权重」，删掉就会胡说八道

新智元报道

编辑：元宇

【新智元导读】苹果研究人员发现，在大模型中，极少量的参数，即便只有0.01%，仍可能包含数十万权重，他们将这一发现称为「超级权重」。超级权重点透了大模型「命门」，使大模型走出「炼丹玄学」。

0.01%参数定生死！

在删掉极少量参数后，大模型立刻变得胡言乱语起来，在零样本任务中只会瞎猜，原来的那股聪明劲儿全没了。

但是，如果保留这些极少量参数，即使删掉成千上万其他参数，大模型的智力依然在线，几乎看不出有什么影响。

如果拿一棵树比喻，剪掉树（大模型）的几千片叶子（冗余参数）不会伤筋动骨，但只要砍掉树干上的一个关键节点（核心参数），整棵树可能就死掉了。

这个核心参数，就是大模型中存在的极少数关键性/高敏感度参数。

有时甚至只需一个，就能对大模型的整体功能产生巨大影响。

论文地址：https://arxiv.org/abs/2411.07191

近日，苹果研究人员在论文《大语言模型中的超级权重》（The Super Weight in Large Language Models）中，将上述现象，称为「超级权重现象」。

如上图1左侧显示，带有超级权重的原始Llama-7B，能顺利接着生成合乎逻辑的内容。

而在图1右侧，当超级权重参数被剪枝后，Llama-7B就开始胡言乱语，生成的全是毫无意义的文本。

这生动诠释了什么叫「打蛇打七寸」：

剪枝一个「超级权重」的特殊参数，就可以完全破坏大模型的能力。

让大模型「科学瘦身」

「超级权重」的发现，为大模型在端侧部署，扫清了道路。

在实际应用中，大模型庞大的体格（动辄数十亿甚至数千亿参数），想要部署在移动端等一些低预算、资源受限等环境中，就像把大象塞进冰箱，往往会面临巨大挑战。

如果只是简单粗暴的等比压缩或简化，就好比削足适履，只会导致模型质量显著下降。

更为合理的做法，是让大模型「科学瘦身」，比如缩小模型的规模和计算复杂度，从而降低内存与功耗。

这时，超级权重就显得至关重要。

在模型压缩和简化过程中，要避免碰到这些数量虽小，却牵一发而动全身的「命门级」参数，避免它们被显著修改（通过压缩）或被完全移除（剪枝）。

即使它们的比例可以小到0.01%，但对于拥有数十亿参数的模型，仍然意味着有数十万个单独权重。

苹果研究人员发现，如果动了它们，就可能破坏LLM生成连贯文本的能力，比如让困惑度上升3个数量级，这样大模型就几乎「读不懂」语言了。

又或者使大模型的零样本学习准确率降低到「瞎猜」的水平，这意味着大模型的智能也几乎废掉了。

如何定位「超级权重」？

许多研究都显示出：少量最大幅值的异常值对模型质量至关重要。

对于拥有数十亿参数的模型，极少量的参数，即便是只有0.01%，仍可能包含数十万权重。苹果研究人员将称这个单标量权重为超级权重（super weight）。

超级权重，会放大某个特征，产生超级激活。

超级权重，会诱发相应稀有且幅度巨大的激活离群值，研究人员将之称为super activations（超级激活）。

所谓激活，是指模型在前向传播时，每一层神经元的输出值。

它们通常是在超级权重之后出现，并在随后的层中以一种恒定的幅度和位置持续存在，而不受输入提示词的影响。

比如，一旦某个超级权重参与计算，它会把输入信号放大成异常大的数值，于是紧接着的层中就出现超级激活。

并且，超级激活与超级权重所在通道一致。

于是，研究人员就提出了一种高效定位超权重的方法：

通过超级激活来定位超级权重：利用检测向下投影输入和输出分布跨层中的尖峰来定位超级权重。

为了促进公开研究，研究人员还将一部分常见、公开可用的LLM超级权重标记了出来，如下表2：

研究人员发现，大多数模型每个张量中的超级权重不超过三个。

即使超级权重数量最多的模型（例如Phi-3-mini-4k-instruct）也只包含六个。

研究人员还通过图2，展示了超级权重触发超级激活，以及超级激活的传播机制。

图2-I中蓝紫色方框中展示了超级权重的触发，它通常出现在较早层的down projection（降维投影）。

这好比在一开始就有一个「功放器」，把某个信号突然放大到极高的音量。

图2-Ⅱ中表示超级激活通过跳跃连接传播，用蓝紫色线表示，它表示激活不是一次性消失，而是层层跳跃传播下去。

这好比扩音器的噪音通过音响的电路一路传到所有扬声器，无论后续放什么音乐，那个噪音始终存在。

图2-Ⅲ中表示，在最终的输出logits（预测分布）里，超级激活会产生压制停用词（stopwords）的效果。

而移除超级权重，会导致停用词可能性增加，用蓝紫色堆叠条表示。

在图3中，down_proj输入在层2中，仅有一个大幅度的激活值（super activation），这是超级激活首次出现的地方。

图4表示，一旦在第2层被触发，超级激活会在随后的所有层中以相同的幅度、相同的位置持续存在，而不受输入的影响。如果把超级权重剪掉，超级激活的强度会下降75%。

图5中显示了超级权重对停用词的抑制作用。

研究人员发现，移除超级权重会导致停用词概率增加2-5倍，这在各种LLMs中都存在。

同时，非停用词的概率急剧下降，减少2-3倍，低至0.1%的概率。

整体上看，超权重会影响输出Token的概率分布。

从图6可以看出，增强超权重，可以在一定程度上提高模型准确率。

超级离群值

模型量化的「关键钥匙」

量化是压缩模型、降低模型内存需求的一种强有力技术。

其中影响量化质量的，是一种重要的指标离群值（outliers）。研究人员将超级权重和超级激活统称为超级离群值。

超级离群值，为人们认识大模型，改进大模型压缩技术，提供了一把重要的钥匙。

在该项研究中，研究人员考虑的是一种最简单的量化形式——即非对称的就近取重量化（asymmetric round-to-nearest quantization）：

保留超级权重参数，是大模型「瘦身」的一个黄金原则。

研究人员发现，只要以高精度保留超级激活，通过简单的就近取整（round-to-nearest）量化，也能将模型质量提升到与当前最先进方法相当的水平。

如表3所示，在与FP16、Naive W8A8、SmoothQuant三种模型量化方法的比较中，就近取整量化虽然效果略次于SmoothQuant，但优于Naive W8A8，尤其是在不需要校准数据的前提下，实用性更强。

同样，如果在保留超权重的同时，对其他权重异常值进行裁剪，就近取整量化，也可以实现更好的压缩比。

这意味着只需处理少量「超级离群值」，就能显著提升压缩质量。

研究人员认为，与需要处理数十万离群权重的方法相比，这无疑是一种更友好的硬件方案。

它可以在提升模型效率的同时，又能尽可能保留原有性能。

这也使得强大的LLM应用，在资源受限的硬件上部署和高质量运行，成为可能。

激活量化与权重量化

为了全面展示超级权重的影响，研究人员将研究范围扩大到更多大模型：OLMo（1B和7B版本）、Mistral-7B以及Llama-2-7B。

表4显示，处理超级激活可以提升激活量化效果。

研究人员遵循SmoothQuant的设置，用FP16算术模拟W8A8量化。

研究结果凸显了超级激活，在量化期间维持模型性能的关键重要性。

研究人员对Llama-7B的分析显示，AWQ将超级权重放大了12倍，这印证了他们对超级权重重要性的判断。

如图7，蓝线RTN显示，如果不处理超级权重，随着量化块变大，模型性能急剧下降；紫线Ours表示，如果恢复超级权重，模型准确率下降更平缓，即使大块量化也能维持较好性能。

这说明，只要针对单个超级权重进行特殊处理，就能显著提高量化的稳定性和可扩展性。

探索超级离群值的版图

苹果研究人员的发现，为未来研究打开了多条道路。

毫无疑问，进一步探索超级权重与超级激活的起源及其精确机制，将对LLM的运行动态，带来更深入的洞见。

同样的，理解这些超级权重参数，如何在训练过程中获得如此「超级」的影响力，也可以为未来的模型设计、训练策略提供更有针对性的指导。

从另一个角度看，在更广泛的模型架构和训练范式中，展开对超级权重的研究，也有助于揭示它们的角色和形成机制。

这些都将帮助我们解锁，构建更高效、更稳健、更可解释大模型的创新方法，让大模型告别「炼丹玄学」。

作者简介

Mengxia Yu

Mengxia Yu是圣母大学计算机专业博士生，此前在北京大学获得计算语言学学士学位，本论文是她在苹果公司实习期间完成的。

参考资料：

https://machinelearning.apple.com/research/the-super-weight