小模型媲美2000倍体量大模型，谷歌提出新思路：蒸馏也能Step-by-Step

深度学习自然语言处理 原创
作者：林哲乐

论文：Distilling Step-by-Step! Outperforming Larger Language Models with Less Training Data and Smaller Model Sizes
地址：https://arxiv.org/pdf/2305.02301.pdf
录取：ACL2023

进NLP群—>加入NLP交流群

个人解读

• 为优化LLM为“小模型/少数据/好效果”，提供了一种新思路：”一步步蒸馏”（Distilling step-by-step）

• 具体做法：训练出一个更小的模型，同时输出推理过程和标签

总结

大模型部署耗费内存/算力，训练特定任务的小模型采用：

1. 微调（BERT、T5）

2. 蒸馏（Vicuna）

但仍需要大量数据

本文提出”一步步蒸馏”（Distilling step-by-step）机制:

1. 模型更小

2. 数据更少

实验证明效果更佳（770M的T5，效果优于540B的PaLM）

引言

1.  LLM的作用

以LLM作为粗标注，同时标注时会给出推理过程，如“思维链”CoT

e.g.：

“A gentleman is carrying equipment for golf, what does he likely have?

(a)club, (b) assembly hall, (c) meditation center, (d)meeting, (e) church”

答案是(a)，在上述选择中，只有球杆用于高尔夫球。

上述逻辑会用于多任务训练的额外数据

2. 任务准确性&所需训练数据

相关工作

1.  知识蒸馏

从大的“老师模型”蒸馏出“学生模型”，缺点是“老师模型”产生的数据有噪声

本文做法：蒸馏标签、老师模型的推理过程，以降低对无标签数据的需求量

2.  人类推理过程

1. 规范模型行为

2. 作为额外的模型输入

3. 作为高质量标签

4. 缺点：代价高昂

3. 大模型推理过程

1. 可用于产生高质量的推理步骤，作为提示输入到大模型

2. 作为微调数据，进行“self-improve”大模型

一步步蒸馏

概览图：

分为两步：

1. 已有LLM和无标签数据，利用推理过程，输出标签

2. 以推理过程作为额外数据（细节信息较多），训练更小的模型

基于这样一个特性：LLM产生的推理过程能够用于它自身的预测

假设prompt是个三元组，其中是输入，是标签，是推理过程

数据集记作，x是输入，y是标签，且二者都是自然语言

这个文本到文本的框架包括的自然语言处理任务有：分类、自然语言推理、问答等等

常见的做法：用监督数据微调预训练模型。

缺少人工标签，特定任务的蒸馏是用LLM教师模型生成伪噪声训练标签，代替

待降低交叉熵损失：

其中\hat{y_i}$是模型蒸馏得到的标签

将推理过程\hat{r_i}$融入训练过程的方式：

1. 放到input后面，一同输入到模型，此时的损失计算：
   

需要先用LLM产生推理过程，此时LLM是必要条件

1. （本文）转化为多任务学习问题，训练模型：

同时产生标签、推理过程

采用后者的方式，此时的损失计算为：

其中，推理过程生成的损失为：

推理过程生成是预测之前的中间一步，而不是测试过程中产生的（如同公式2），所以测试时不再需要LLM，这就是所谓的"一步步蒸馏"。

另外，预先定义任务前缀，如[label]是标签，[rationale]是推理过程

实验

从两方面证明“一步步蒸馏”的有效性：

1. 与传统的微调和蒸馏对比，效果有所提升

2. 模型更小、部署代价更小

3. 以最小的模型规模、数据量作为标准，“一步步蒸馏”的模型优于LLM

基准模型

1. LLM：540B的PaLM

2. 下游模型：T5

   1. T5-Base (220M)

   2. T5-Large (770M)

   3. T5-XXL (11B)

数据集

• e-SNLI （自然语言推理）：https://github.com/OanaMariaCamburu/e-SNLI

• ANLI（自然语言推理）：https://huggingface.co/datasets/anli

• CQA（问答）：https://www.tau-nlp.sites.tau.ac.il/commonsenseqa

• SVAMP（算术数学词问题）：https://github.com/arkilpatel/SVAMP

与一步步蒸馏对比的其他方法

• 标准的微调（有标签）

• 标准的任务蒸馏（无标签）

减少训练数据

对比结果1

在标签较少时，一步步蒸馏优于标准微调

对比结果2

在标签较少时，一步步蒸馏优于标准蒸馏

• 降低模型大小

各种baseline模型大小不一时，一步步蒸馏都更优

通过使用更小的特定任务模型一步步蒸馏逐步优于LLM

对比结果3

在所有考虑的4个数据集上总是可以优于少样本CoT、PINTO调优

对比结果4

在4个数据集中的3个上也优于教师模型LLM

增强无标签数据，可进一步改进一步步蒸馏

• 使用最小模型大小和最小训练数据

对比结果5

用更小模型、更少数据，一步步蒸馏优于LLM

对比结果6

标准的微调和蒸馏需要更多的数据和更大的模型

总结

实验证明，一步步蒸馏降低了训练数据量、特定任务的模型大小、优于初始LLM的性能

局限性：

1. 用户需要提供带标签数据

2. LLM推理能力有限，尤其面对复杂推理和规划问题

---

进NLP群—>加入NLP交流群