現(xiàn)在的大模型基本都具備零樣本泛化能力，但要在真實(shí)場(chǎng)景中做特定的適配，還是得花好幾個(gè)小時(shí)來(lái)對(duì)模型進(jìn)行微調(diào)。
即便是像LoRA這樣的參數(shù)高效方法，也只能緩解而不能消除每個(gè)任務(wù)所需的微調(diào)成本。
剛剛，包括尤洋教授在內(nèi)的來(lái)自新加坡國(guó)立大學(xué)、得克薩斯大學(xué)奧斯汀分校等機(jī)構(gòu)的研究人員，提出了一種全新的「拖拽式大語(yǔ)言模型」——Drag-and-Drop LLMs！
DnD是一種基于提示詞的參數(shù)生成器，能夠?qū)?span style="font-weight: 700;">LLM進(jìn)行無(wú)需訓(xùn)練的自適應(yīng)微調(diào)。
通過(guò)一個(gè)輕量級(jí)文本編碼器與一個(gè)級(jí)聯(lián)超卷積解碼器的組合，DnD能在數(shù)秒內(nèi)，僅根據(jù)無(wú)標(biāo)簽的任務(wù)提示詞，生成針對(duì)該任務(wù)的LoRA權(quán)重矩陣。
顯然，對(duì)于那些需要快速實(shí)現(xiàn)模型專業(yè)化的場(chǎng)景，DnD可以提供一種相較于傳統(tǒng)微調(diào)方法更強(qiáng)大、靈活且高效的替代方案。
總結(jié)來(lái)說(shuō)，DnD的核心優(yōu)勢(shì)如下：
極致效率：其計(jì)算開(kāi)銷比傳統(tǒng)的全量微調(diào)低12,000倍。
卓越性能：在零樣本學(xué)習(xí)的常識(shí)推理、數(shù)學(xué)、編碼及多模態(tài)基準(zhǔn)測(cè)試中，其性能比最強(qiáng)大的、需要訓(xùn)練的LoRA模型還要高出30%。
強(qiáng)大泛化：僅需無(wú)標(biāo)簽的提示詞，即可在不同領(lǐng)域間展現(xiàn)出強(qiáng)大的泛化能力。
DnD實(shí)現(xiàn)方法
通過(guò)觀察，研究人員發(fā)現(xiàn)，LoRA適配器無(wú)非是其訓(xùn)練數(shù)據(jù)的一個(gè)函數(shù)：梯度下降會(huì)將基礎(chǔ)權(quán)重「拖拽」至一個(gè)特定任務(wù)的最優(yōu)狀態(tài)。
如果能夠直接學(xué)習(xí)從提示到權(quán)重的映射，那么就可以完全繞過(guò)梯度下降過(guò)程。
DnD通過(guò)兩個(gè)核心步驟獲得「拖拽」能力：準(zhǔn)備訓(xùn)練數(shù)據(jù)（左上）與訓(xùn)練參數(shù)生成器（右上）。
在準(zhǔn)備數(shù)據(jù)時(shí)，將模型參數(shù)（權(quán)重）與特定數(shù)據(jù)集的條件（提示詞）進(jìn)行顯式配對(duì)。
在訓(xùn)練時(shí)，DnD模型將條件作為輸入來(lái)生成參數(shù)，并使用原始的LoRA參數(shù)作為監(jiān)督信號(hào)進(jìn)行學(xué)習(xí)。
基于這些洞見(jiàn)，團(tuán)隊(duì)提出了「拖拽式大語(yǔ)言模型」，它無(wú)需微調(diào)即可生成任務(wù)專屬的權(quán)重。
團(tuán)隊(duì)首先在多個(gè)不同數(shù)據(jù)集上分別訓(xùn)練并保存相應(yīng)的LoRA適配器。
為了賦予模型「拖拽」的能力，團(tuán)隊(duì)將這些數(shù)據(jù)集的提示詞與收集到的LoRA權(quán)重進(jìn)行隨機(jī)配對(duì)，構(gòu)成DnD模型的訓(xùn)練數(shù)據(jù)——即「提示詞-參數(shù)」對(duì)。
參數(shù)生成器是一個(gè)由級(jí)聯(lián)卷積塊構(gòu)成的解碼器。
參數(shù)生成器的模塊細(xì)節(jié)如下：每個(gè)超卷積塊包含三個(gè)超卷積模塊，用于在不同維度上提取并融合特征信息。
訓(xùn)練時(shí)，團(tuán)隊(duì)采用一個(gè)現(xiàn)成的文本編碼器提取提示詞的嵌入向量，并將其輸入生成器。
生成器會(huì)預(yù)測(cè)出模型權(quán)重，團(tuán)隊(duì)利用其與真實(shí)LoRA權(quán)重之間的均方誤差（MSE）損失來(lái)對(duì)其進(jìn)行優(yōu)化。
在推理階段，團(tuán)隊(duì)只需將來(lái)自全新數(shù)據(jù)集（訓(xùn)練中未見(jiàn)過(guò)）的提示詞輸入DnD，僅需一次前向傳播，即可獲得為該任務(wù)量身定制的參數(shù)。