語言模型的物理學 Physics of Language Models - ICML 2024 Tutorial

這是一個ICML 2024的tutorial talk，同時也是一系列的研究，talk的youtube link在這裡

本篇主要把看這個talk的一些讀書筆記記錄下來，雖然實際上talks是從 3 -> 2 -> 1 這個順序去講的，但這裡仍然以投影片的順序來描述，並把講者最後的感概放在Part 1的最後。

Intro

• 把智慧分為1.結構、2.知識以及3.推論
• 在可控制、理想的環境下做研究 (控制資料、調整參數)
• 可重複性高的實驗 (使用100M大小的模型，推出通用法則)
• 使用 probing 技巧去看模型裡面如何運作

1. Language Structures

這個部分有兩個目標: 

1. 大型語言模型的解讀 (interpretation of LLMs)

•  並不是基於token level，而是使用更困難的階層式演算法來更精確地解釋LLM如何學習解決這樣的演算法

2.大型語言模型的結構

• LLM如何學習格式(format)? → hallucination(幻覺)
• hallucination只是LLM學習到格式的速度比底層任務快而造成的現象
• 希望能觀察LLM如何解決更階層式、複雜的語言架構

他們使用的方法是CFG(context-free grammar)作為課題來達成以上兩個目標

他們設計了自己的CFG，大約有20+的長度，這是一個非常長的CFG

• CFG會從root開始 →  leaf 完成整個推論的樹，這樣長度的CFG會非常難從最終結果回推到他們的源頭，要完全記住這些samples也不可能，因為會有10的80次方個sample

 他們從三個面向來測試模型是否能學習這樣的CFGs: accuracy, diversity, distribution

• 如果使用相對或旋轉嵌入的位置編碼，準確度會很高，但如果是用絕對的位置編碼就會得到很差的結果

為什麼會這樣呢?

• 因為使用相對/旋轉的位置編碼對於語言架構的注意力來說非常有幫助
• 相對注意力表現比旋轉好，但相對注意力太慢了
• 但如果用一個GPT_stupid也可以發現不錯的表現 (這個GPT的head h會往回看2^h-1個token)
• 例如第一個head會往前看第1個token，第二個head往前看前3個token，第三個head往前看前7個token，這些token的權重都是uniform attention的

也就是說，即使未來我們想要換掉注意力機制(like Mamba)，我們最好還是給他一個位置編碼，即使只是給一個uniform的都好

LLM如何學習?

• 在產生這一串sentence x的時候，實際上CFG是透過parsing tree來產生，而模型是看不到這個tree的
• 那麼模型是否在預訓練的過程中祕密的學習到了解析CFG tree的方法呢? →  答案是yes

模型不只編碼了而且還在正確的位置上編碼了它

• 舉例來說，有一個子樹的node是11，另一個node是7，他們其實是經過線性轉換後局部儲存在2, 1, 1這個附近的序列中
• 即使GPT從未看過parsing tree，它仍然學習到了這個映射的規則
• 但Encoder-based的模型(如BERT)是沒有這樣的能力的，因為這些模型會使用MLM來訓練，將一部分(如15%)的x遮蔽掉，要模型預測出被遮蔽掉的token是哪些
• 而LM做的事情比Encoder-based得更困難，它得從leaf推到root才能知道下一個標記要產生的是什麼
• 這其實也驗證了Part3討論過的"使用雙向模型無法讓模型提取知識"

對人類來說，我們使用DP來推論CFG tree，而在LLM中，這些DP state其實是儲存在hidden state當中，除此之外，在做dp的時候也需要去將每個狀態連接起來，這件事情其實就是attention在做的

除了這個從attention機制得到的parse CFG的能力以外，LLM還擁有產生下一個CFG的能力，這樣的能力還需要另一個層級的DP能力

• 舉例來說，在產生node 9之前需要先確認 1.) node 9是否能被node 10所跟隨著且 2 .) node 8可以產生出它
• 這個能力也是attention給LLM的，可見attention有多麼強大

Summary of part 1

這裡是talk的最後，講者感概LLM竟然已經擁有了DP的能力。在他17歲參加IOI的時候最後一個問題就是DP，當時他並沒有解出來，這個今日的LLM智力已經超越17歲的他的這個事實使他開始研究了語言模型的物理學這個topic (講者曾拿過兩次IOI金牌)

2. Reasoning

2.1 Grade-School Math and the Hidden Reasoning Process

這個部分以國小的數學資料(iGSM)加上probing技巧來探索LLM的推論過程、LLM如何思考

GSM8k太小，有資料汙染，而使用GPT-4去擴充GSM8k又會有偏差，因此他們自己創造了iGSM

•  他們從GSM8k中移除了一些常識資料，但保留數學推理過程的資料

舉例來說，為了去推論出某個高中有多少個背包，所產生出的所有拓樸圖node

他們計算了每個資料有多少的解決方案，結果是好十億、幾百億個，讓模型不可能硬記

• 實驗結果發現，GPT-2可以達成level-1的推理能力，這表示模型在產生答案之前自己有想過，而非只靠CoT

如何證明LLM真的自己有想過?

•  他對模型的幾個步驟做probing
• 在產生答案之前，問模型是否參數A對於回答某個問題是必要的 nece(A)
• 在產生答案的時候，問模型是否知道參數A接下來可以被計算 can_next(A)
• 在提問之前，問模型是否知道參數A依賴在參數B之上 dep(A,B)
• 最後發現模型在這三個階段都有很高的掌握度 (99%)

除此之外，他們也發現LLM有level-2的推理能力

• GPT-2學習到了對回答答案來說沒有幫助的知識 (依賴性和是否能在下一個步驟被計算)
• 這可能是AGI的G的來源 (Generalizing to skills not taught in the training data)

LLM在iGSM上會犯的錯誤

•  最常見的錯誤有兩種，寫下非必要的參數A(nece)以及寫出沒有準備好被計算的參數A導致推論卡住 (can_next)，即使在GPT-4o上也會有這些錯誤

對nece來說，既然模型在回答之前就會開始思考，我們可以對這些錯誤做相關性測試，看是否錯誤之間是相關的，並且看是否能夠在模型回答之前就偵測到答案可能會有錯誤 

→  錯誤可能是系統性的而非隨機的

對can_next來說，模型是在心中認為這個參數準備好了但實際上沒有，那模型就很可能會犯下這個錯誤 

→ 為了增強模型的推論能力，模型在can_next上的準確度非常重要

過去的研究認為，對LLM來說只有尺寸是重要的 (width和depth不重要)

但他們的實驗發現，對推論來說，depth很重要 →  因為深度就是模型在心中推論過程的長度

而且這個特性是無法用CoT來解決的，因為模型在做CoT之前就有在思考了

Summary of 2.1

2.2 How to Learn from Mistakes

即使是最強大的模型也會在推論的時候犯錯

• 假如模型可以透過多步驟的prompting來避免犯錯，為什麼不直接馬上糾正這個錯誤呢?

他們在probing can_next的時候發現LLM其實在犯錯的時候是知道自己已經犯錯了

• 他舉的例子是從 “as" 這個字開始probe，來檢查模型是否真的知道他從這裡知道他犯錯了，實驗發現模型會表現出後悔的狀態，但他無法再回溯改變了
• 假設我們給模型回溯的能力 →  拿一個在正確資料上預訓練的LLM來做為錯誤檢測器來檢測，假如檢測到錯誤就回溯，重新生成 → 可以得到 2% 的提升 (med)

為什麼只有這麼小的提升呢?

• 因為這個回溯只是重新生成一次，這會依賴在隨機性上而非真正地去糾正(error correction)
• 為了去糾正他，你會需要一個有錯誤資料和糾正資料的合成資料，這就是他們的合成資料

在這個合成資料中，他們在每一個句子中增加了一個以機率p出現的錯誤參數，在後面附加一個token [BACK]

• 這並不會影響訓練和推論，而只是資料多了一些過去犯過的錯誤，但這樣做讓他們得到了巨大的提升 (+17%)

他們發現:

• 這個機率p越高，提升就越多
• 在預訓練的錯誤資料並不會讓模型在推論的時候容易犯錯，即使p=0.5也一樣不會影響推論的時候機率最大的會是答案(temp=0)或是beam search的使用
• 不需要label masking把錯誤的資料遮蔽掉
• 即使預訓練資料會因此變得很長，但推論的時候模型仍會給很短的答案

如果拿這包合成資料去做fine tune而非預訓練的話有用嗎? →  答案是沒用

• 在fine tune階段才加入太遲了，因為糾錯能力是非常困難的技能，只能在預訓練的時候學習

他們嘗試了LoRA和beam search來fine tune，效果都不是很好

在現實世界中，如何準備這樣的糾錯資料? →  有兩個方法，dumber跟smarter idea

• dumber: 隨機選擇一個句子作為插入在後面，製造出fake mistake (範例中是在”Define”後面隨機拿句子來插入)
• smarter: 隨機選一個參數插入在後面，製造出fake mistake →  但這個方法是失敗的

Summary of 2.2

3. Knowledge

3.1 Knowledge storage and extraction

LLM在對於某人的出生年分做奇偶校驗常常失敗、也常常無法比較兩位名人的生日誰早誰晚

• 針對這樣的問題，首先要先確認模型是否 1. 在訓練中看過名人的生日年 2. 能提取出名人的生日年 3.能提取出一些名人的出生年 但提取不出其他名人的出生年?
• 接下來才能測試出他是否擁有這樣的能力
• 即使他成功回答，也得檢查是否是因為資料汙染才能回答? (他可能早已看過這樣的問題跟答案的pair)
• 而如果他失敗回答．他是不是因為他不知道偶數跟奇數的定義? 這是否是因為沒有做足夠的fine tune?

建立知識庫，將知識分為幾個子問題，他認為最自然的知識就是自傳(biography)

• 給一段自傳 →  產生出6個問題 →  把自傳 + 3個問題拿去預訓練，剩下3個問題拿來測試 →  如果能回答出測試的答案就表示擁有這樣的知識 (knowledge extraction)，這樣的訓練方法是mixed training
• 但是大家並不是這樣做的，實際上大家是直接在整段自傳上做預訓練 →  然後把3個問題拿去做 instrution fine tuning 3個拿來測試 →  這樣會得出差勁的結果，即使把模型調大、加一些trick也不會變好 →  必須要做 knowledge extentsion，產生出很多類似的問題描述來幫助模型學習

結論: 做knowledge extentsion的時候擴充pretrain data是必要的

但為甚麼extentsion會是必要的呢? 接下來他們使用 probing 來去測試看看為甚麼

• 他們針對輸出層做測試，發現沒做擴充的資訊更雜，模型學習的方向很可能會是錯的，而有做擴充的就會更容易以正確的方式儲存知識

那麼，是否所有問題都需要被擴充呢? 實際上不用

• 他們使用有擴充的名人自傳+沒擴充的少數人自傳來預訓練，然後只用名人的問題來做fine tune，結果發現模型在少數人的問題上也答得不錯
• 這是因為模型在擴充的名人資料上已經學習到如何正確儲存知識，這個知識是可以擴充到所有案例上的

Summary of 3.1

3.2 Knowledge manipulation

task: knowledge classification

• 如果沒用CoT，評估的時候就會很差，無論是訓練有CoT而推論沒用CoT還是都沒有CoT都會很差
• 這個實驗表明了模型必須要把推論過程寫出來(顯性知識)，才能操作知識

task: inverse search

• 無論使用任何技巧、加大模型，模型都做不到inverse search
• 只有在你的資料中有已經reserve的資料才做得到，而且你必須在預訓練的時候就reverse，fine tune的時候才reverse已經太遲了

即使是GPT-4和Llama-3都適用在以上講的原則上 (小模型的實驗可以應用在大模型上)

• 講者用中文的四字成語來舉例，GPT-4其實無法回答出四字成語中缺了哪個字這樣的問題，顯示出即使是大模型，在缺少資料的情況下是沒有reverse的能力的
• 這也可以做為圖靈測試，只要去問LLM兩個人的生日年數是奇數還是偶數，就能夠知道是否是人類

Summary of 3.2

3.3 Knowlege capacity scaling laws

所有的LLM都可以儲存2bit/param的知識

• 以log2來儲存所有的可能性，例如有一個人叫做Eugeo，他出生的城市是從300種城市中隨機產生的，那這個知識的大小就會是log2(300)=8.23bits
• 由此可推算出一個計算公式來計算出知識的大小

由此推論，一個充分被訓練好的LLM可永遠用2bit/params來儲存知識

• 這個能力只跟模型尺寸有關，跟width, depth無關，跟資料型態、超參數也無關

他們認為7B模型就足夠儲存所有英文wiki跟教科書的資訊 (只是設為目標，他們還沒做到)

甚麼是充分訓練?

• 這個知識已經被模型看過1000次曝光就算是充分訓練
• 曝光(exposures)不等於通過(passes)，如果1-pass中有些名詞會有超過100萬筆，這樣就算曝光超過100萬次 (同一個名詞在不同風格、情況下被模型看過)

他們如何推論出2bits/params scaling laws 的方式?

• 他們發現固定資料大小，測試不同模型大小表現的時候，模型學習到的知識會更接近2bits的曲線 (使用 GPT-2 rotaray 畫出的曲線)

• 如果模型沒有充分訓練(曝光<1000, 屬於稀有知識)，這樣的知識可能只有1bit/params，此時使用不同的模型架構就會有不同的表現 (GPT-2的表現會比Llama/Mistral好) →  因為Gated MLP
• 除此之外，如果把GPT-2的MLP layer移除，GPT-2也會表現很差，但只是把MLP layer尺寸下降到1/4的話也不會影響太多

在混合資料上的實驗 (品質好的資料和品質差的資料混在一起)

•  在預訓練中品質差資料(junk data)的存在對模型有很大的傷害 (需要多20倍、3倍的曝光)

如何解決這個問題? →  在每一個預訓練資料的段落之前加入 domain tokens

• 這使得LLM可以自動檢測出哪些domain可以獲得高品質的知識，並優先向這些domain學習 (你不需要告訴她這是哪些domain，他會自己學)

Summary of 3.3