BriefGPT - AI 论文速递
·
通过信息保留实现 LLMs 的精确 LoRA 微调量化
💡
原文中文，约600字，阅读约需2分钟。
📝
内容提要
本文介绍了一种内存高效的预训练语言模型适应方法，通过矩阵分解和量化部分的更新实现。实验结果表明，该方法在适应不同模型时优于其他基准方法，并能实现更激进的量化。
🎯
关键要点
- 提出了一种内存高效的预训练语言模型适应方法。
- 使用迭代算法将预训练矩阵分解为高精度低秩部分和量化部分。
- 在微调过程中，量化部分保持固定，只有低秩部分被更新。
- 量化部分的整数线性规划形式可动态配置量化参数。
- 探索了数据感知版本的算法，使用Fisher信息矩阵近似加权重构目标。
- 在RoBERTa和LLaMA-2的实验中，LQ-LoRA优于QLoRA和GPTQ-LoRA基准。
- LQ-LoRA在OpenAssistant基准测试中能够学习2.5位的LLaMA-2模型。
- LQ-LoRA可用于模型压缩，2.75位的LLaMA-2-70B模型与全精度原始模型竞争。
➡️
