大模型微调新范式：当LoRA遇见MoE

作者：Sam多吃青菜，北京大学计算机本硕/准大厂算法工程师 声明：本文只做分享，版权归原作者，侵权私信删除！ https://zhuanlan.zhihu.com/p/683637455 编辑：青稞AI

引言

当LoRA遇见MoE，会擦出怎样的火花？

左侧：原始版本的LoRA，权重是稠密的，每个样本都会激活所有参数；右侧：与混合专家（MoE）框架结合的LoRA，每一层插入多个并行的LoRA权重（即MoE中的多个专家模型），路由模块（Router）输出每个专家的激活概率，以决定激活哪些LoRA模块。

由于大模型全量微调时的显存占用过大，LoRA、Adapter、 IA3 这些参数高效微调（Parameter-Efficient Tuning，简称PEFT）方法便成为了资源有限的机构和研究者微调大模型的标配。PEFT方法的总体思路是冻结住大模型的主干参数，引入一小部分可训练的参数作为适配模块进行训练，以节省模型微调时的显存和参数存储开销。

传统上，LoRA这类适配模块的参数和主干参数一样是稠密的，每个样本上的推理过程都需要用到所有的参数。近来，大模型研究者们为了克服稠密模型的参数效率瓶颈，开始关注以Mistral、DeepDeek MoE为代表的混合专家（Mixure of Experts，简称MoE）模型框架。在该框架下，模型的某个模块（如Transformer的某个FFN层）会存在多组形状相同的权重（称为专家），另外有一个路由模块（Router）接受原始输入、输出各专家的激活权重，最终的输出为：

• • 如果是软路由（soft routing），输出各专家输出的加权求和；
• • 如果是离散路由（discrete routing ），即Mistral、DeepDeek MoE采用的稀疏混合专家（Sparse MoE）架构,则将Top-K（K为固定的 超参数，即每次激活的专家个数，如1或2）之外的权重置零，再加权求和。

在MoE架构中，每个专家参数的激活程度取决于数据决定的路由权重，使得各专家的参数能各自关注其所擅长的数据类型。在离散路由的情况下，路由权重在TopK之外的专家甚至不用计算，在保证总参数容量的前提下极大降低了推理的计算代价。

那么，对于已经发布的稠密大模型的PEFT训练，是否可以应用MoE的思路呢？近来，笔者关注到研究社区开始将以LoRA为代表的PEFT方法和MoE框架进行结合，提出了MoV、MoLORA、LoRAMOE和MOLA等新的PEFT方法，相比原始版本的LORA进一步提升了大模型微调的效率。

本文将解读其中三篇具有代表作的工作，以下是太长不看版：

• • MoV和MoLORA [1]：提出于2023年9月，首个结合PEFT和MoE的工作，MoV和MoLORA分别是 IA3 和LORA的MOE版本，采用token级别的软路由（加权合并所有专家的输出）。作者发现，对3B和11B的T5大模型的SFT，MoV仅使用不到1%的可训练参数量就可以达到和全量微调相当的效果，显著优于同等可训练参数量设定下的LoRA。
• • LoRAMOE [2]：提出于2023年12月，在MoLORA [1]的基础上，为解决微调大模型时的灾难遗忘问题，将同一位置的LoRA专家分为两组，分别负责保存预训练权重中的世界知识和微调时学习的新任务，并为此目标设计了新的负载均衡loss。
• • MOLA [3]：提出于2024年2月，使用离散路由（每次只激活路由权重top-2的专家），并发现在每一层设置同样的专家个数不是最优的，增加高层专家数目、降低底层专家数目，能在可训练参数量不变的前提下，明显提升LLaMa-2微调的效果。

MoV和MoLORA：PEFT初见MoE 故事开始

论文：Pushing Mixture of Experts to the Limit: Extremely Parameter Efficient MoE for Instruction Tuning
链接：https://arxiv.org/abs/2309.05444

该工作首次提出将LoRA类型的PEFT方法和MoE框架进行结合，实现了MoV（ IA3的MOE）版本和MoLORA（LORA的MOE）版本，发现MoV的性能在相等的可训练参数量设定下优于原始的LORA，非常接近全参数微调。回顾下 IA3 的适配模块设计，即在Transformer的K、V和FFN的第一个全连接层的输出，各自点乘上一个可训练的向量 lk,lv,lff ：

softmax(dkQ(lk⊙KT))(lv⊙V);(lff⊙γ(W1x))W2.

那么，MOV就是将这些可训练向量各自复制 n 份参数（n为专家个数），并加入一个路由模块接受K/V/FFN原本输出的隐向量 xhidden 、输出各专家的激活权重，过softmax之后得到各专家的激活概率 s ，以其为权重对各个可训练向量求和（之后向原始版本的 IA3 一样，将求和后的向量点乘上原输出的隐向量）。图示如下：

MOV方法的示意图，引自论文[1]。

实验部分，作者在Public Pool of Prompts数据集上指令微调了参数量从770M到11B的T5模型，在8个held out测试集上进行测试。实验的微调方法包括全量微调、原始版本的 IA3 和LORA、MoV和MoLORA。从测试结果上来看，MoV的性能明显好于MoLORA和原始版本的 IA3 和LORA。例如，专家个数 n=10 的MoV-10只用3B模型0.32%的参数量，就能达到和全量微调相当的效果，明显优于同等可训练参数量的 IA3 和LORA，而使用0.68%可训练参数的MoV-30（60.61）甚至超过全量微调。

3B模型的测试结果，只使用0.32%可训练参数的MoV-10的平均accuracy（59.93）接近全量微调（60.06），明显优于使用0.3%可训练参数的原始版本LORA（57.71）。使用0.68%可训练参数的MoV-30（60.61）甚至超过全量微调。

此外，作者还对专家的专门程度（speciality，即每个任务依赖少数几个特定专家的程度）进行了分析，展示MOV-5微调的770M模型最后一层FFN中各专家路由概率的分布：

路由概率的分布，左侧为模型在训练集中见过的任务，右侧为测试集中模型未见过的任务。

可以看出，无论模型是否见过任务数据，大多数任务都有1-2个特别侧重的专家占据了大部分激活概率值，说明MoV这个MoE实现达成了专家的专门化。

LoRAMOE：LoRA专家分组， 预训练知识记得更牢

论文：LoRAMoE: Revolutionizing Mixture of Experts for Maintaining World Knowledge in Language Model Alignment
链接：https://arxiv.org/abs/2312.09979

此文为复旦大学NLP组的工作，研究动机是解决大模型微调过程中的灾难遗忘问题。

作者发现，随着所用数据量的增长，SFT训练会导致模型参数大幅度偏离预训练参数，预训练阶段学习到的世界知识（world knowledge）逐渐被遗忘，虽然模型的指令跟随能力增强、在常见的测试集上性能增长，但需要这些世界知识的QA任务性能大幅度下降：

左侧为不需要世界知识的常见测试集上的性能，右侧为需要世界知识的QA测试集上的表现，横轴为SFT数据量，红线为模型参数的变化程度。

作者提出的解决方案是：

• • 数据部分：加入world knowledge的代表性数据集CBQA，减缓模型对世界知识的遗忘；
• • 模型部分：以（1）减少模型参数变化、（2）隔离处理世界知识和新任务知识的参数为指导思想，在上一篇文章的MoLORA思想上设计了LoRAMoE方法，将LoRA专家们划分为两组，一组用于保留预训练参数就可以处理好的（和世界知识相关的）任务，一组用于学习SFT过程中见到的新任务，如下图所示：

为了训练好这样的分组专家，让两组专家在组间各司其职（分别处理两类任务）、在组内均衡负载，作者设计了一种名为localized balancing contraint的负载均衡约束机制。具体地，假设 Q 为路由模块输出的重要性矩阵， Qn,m 代表第 n 个专家对第 m 个训练样本的权重， I 为作者定义的和 Q 形状相同的矩阵：

In,m={1+δ,Typee(n)=Types(m).1−δ,Typee(n)=Types(m)⋅1

其中 δ 为0-1之间的固定值（控制两组专家不平衡程度的超参）， Typee(n) 为第 n个专家的类型（设负责保留预训练知识的那组为0，负责学习新任务的那组为1）， Types(m) 为第 m 个样本的类型（设代表预训练知识的CBQA为0，其他SFT数据为1）。负载均衡损失 Llbc 的定义为用 I 加权后的重要性矩阵 Z=I∘Q 的方差除以均值：

Llbc=μ(Z)σ2(Z).

这样设计loss的用意是，对任意一种训练样本，两组LoRA专家组内的 I 值是相等的，优化 Llbc 即降低组内路由权重的方差，使得组内负载均衡；两组专家之间，设专家组A对当前类型的数据更擅长，则其 I 值大于另一组专家B，训练起始阶段的A的激活权重就显著大于B，A对这种数据得到的训练机会更多，路由模块在训练过程中逐渐更倾向对这种数据选择A组的专家。这种“强者愈强”的极化现象是MoE领域的经典问题，可以参见经典的sMoE论文The Sparsely-Gated Mixture-of-Experts Layer [4]对该问题的阐述。

这样一来，即使推理阶段没有数据类型 I的信息，A对这种数据的路由值 Q 也会显著大于B的相应值，这就实现了两组专家各司其职的目标。

实验部分，作者在CBQA和一些列下游任务数据集混合而成的SFT数据上微调了LLaMA-2-7B，对比了全量SFT、普通LORA和作者所提的LoRAMoE的性能。结果显示，LoRAMoE有效克服了大模型SFT过程中的灾难性遗忘问题，在需要世界知识的QA任务（下表下半部分）上性能最佳，在与SFT训练数据关系更大的其他任务上平均来说基本与SFT训练的模型相当：

MOLA：统筹增效，更接近输出端的高层需要更多专家

论文：Higher Layers Need More LoRA Experts
链接：https://arxiv.org/pdf/2402.08562.pdf

该工作受到MoE领域先前工作[5]发现的专家个数过多容易导致性能下降的现象之启发，提出了两个问题：

• • 现有PEFT+MoE的微调方法是否存在专家冗余的问题？
• • 如何在不同中间层之间分配专家个数？

为了解答问题1，作者训练了每层专家个数均为5的LoRA+MoE（基座模型为32层的LLaMa-2 7B），路由机制采用Top-2离散路由，计算了每层self-attention的Q、K、V、O各组专家权重内两两之间求差的Frobenius范数的平均值，可视化如下：

横轴为模型层数，纵轴为专家权重之间的差异程度。

可以看出，层数越高（约接近输出端），专家之间的差异程度越大，而低层的专家之间差异程度非常小，大模型底层的LoRA专家权重存在冗余。该观察自然导出了对问题2答案的猜想：高层需要更多专家，在各层的专家个数之和固定的预算约束下，应该把底层的一部分专家挪到高层，用原文标题来说就是：

Higher Layers Need More Experts

为了验证该猜想，作者提出了四个版本的专家个数划分方式分别严重性能，它们统称为MoLA（MoE-LoRA with Layer-wise Expert Allocation），分别是：

• • MoLA-△：正三角形，底层专家个数多，高层专家个数少；
• • MoLA-▽：倒三角形，底层少，高层多；
• • MoLA-▷◁: 沙漏型，两头多、中间少；
• • MoLA-□：正方形，即默认的均匀分配。

四种在不同中间层之间划分专家个数的方式。

具体实现中，作者将LLaMA的32层从低到高分为4组，分别是1-8、9-16、17-24、25到32层，以上四种划分方式总的专家个数相等，具体划分分别为：

• • MoLA-△：8-6-4-2
• • MoLA-▽：2-4-6-8；
• • MoLA-▷◁: 8-2-2-8；
• • MoLA-□：5-5-5-5。

路由机制为token级别的Top-2路由，训练时加入了负载均衡损失。MoLA的LoRA rank=8，基线方法中LoRA的秩为64（可训练参数量略大于上述四种MoLA，与MOLA-□的8-8-8-8版本相同）评测数据集为MPRC、RTE、COLA、ScienceQA、CommenseQA和OenBookQA，在两种设定下训练模型：

• • 设定1：直接在各数据集的训练集上分别微调模型；
• • 设定2：先在OpenOrac指令跟随数据集上进行SFT，再在各数据集的训练集上分别微调模型。

从以下实验结果可以看出，在设定1下，MoLA-▽都在大多数数据集上都取得了PEFT类型方法的最佳性能，远超可训练参数量更大的原始版本LoRA和LLaMA-Adapter，相当接近全量微调的结果。

设定1下的实验结果

在设定2下，也是倒三角形的专家个数分配方式MoLA-▽最优，验证了“高层需要更多专家”的猜想。

笔者点评：从直觉来看，模型的高层编码更high-level的信息，也和目标任务的训练信号更接近，和编码基础语言属性的底层参数相比需要更多调整，和此文的发现相符，也和迁移学习中常见的layer-wise学习率设定方式（顶层设定较高学习率，底层设定较低学习率）的思想不谋而合，未来可以探索二者的结合是否能带来进一步的提升。

参考文献

[1] Zadouri, Ted, et al. "Pushing mixture of experts to the limit: Extremely parameter efficient moe for instruction tuning."arXiv preprint arXiv:2309.05444(2023).
[2] Dou, Shihan, et al. "Loramoe: Revolutionizing mixture of experts for maintaining world knowledge in language model alignment."arXiv preprint arXiv:2312.09979(2023).
[3] Gao, Chongyang, et al. "Higher Layers Need More LoRA Experts."arXiv preprint arXiv:2402.08562(2024).
[4] Shazeer, Noam, et al. "Outrageously Large Neural Networks: The Sparsely-Gated Mixture-of-Experts Layer."International Conference on Learning Representations. 2016.
[5] Chen, Tianlong, et al. "Sparse MoE as the New Dropout: Scaling Dense and Self-Slimmable Transformers."The Eleventh International Conference on Learning Representations. 2022.