مقاله پیش‌تنظیم فقط پیش‌پر کردن برای استنتاج کارآمد

مدل‌های زبانی بزرگ اکنون می‌توانند به طور کارآمد و در مقیاس بزرگ با استفاده از روش‌های تنظیم دقیق پارامتر کارآمد (PEFTs) شخصی‌سازی شوند، اما ارائه PEFTهای مخصوص کاربر، توان عملیاتی را کاهش می‌دهد، حتی با هسته‌های تخصصی و تکنیک‌های مدیریت حافظه. این امر به این دلیل است که، از نظر تئوری و تجربی، عدم تطابقی بین پیش‌پر کردن (پردازش تعداد زیادی توکن به طور همزمان) و رمزگشایی (تولید یک توکن به صورت خودرگرسیو) وجود دارد: دومی توان عملیاتی بسیار پایین‌تری هنگام ارائه چندین آداپتور دارد. به جای بهینه‌سازی عملکرد نسبت به تعداد پارامترها، برای ارائه کارآمد چند آداپتور، ما باید عملکرد را نسبت به توان عملیاتی ارائه بهینه کنیم. بنابراین، ما PreFT (تنظیم دقیق فقط پیش‌پر کردن) را پیشنهاد می‌کنیم، که در آن آداپتور را فقط برای توکن‌های پیش‌پر کردن اعمال کرده و پس از آن آن را دور می‌ریزیم. PreFT توان عملیاتی را به طور قابل توجهی با حداقل تأثیر بر عملکرد افزایش می‌دهد. ما یک پیاده‌سازی کارآمد از دو PEFT فقط پیش‌پر کردن، LoRA و ReFT، را بر روی موتور استنتاج vLLM توسعه داده و منتشر می‌کنیم. ابتدا نشان می‌دهیم که ارائه PreFTهای چند کاربر کارآمدتر از PEFTهای سنتی است (1.9 برابر توان عملیاتی هنگام ارائه 512 آداپتور بر روی Llama 3.1 70B). سپس، عملکرد آداپتورهای فقط پیش‌پر کردن در مقابل آداپتورهای تمام توکن را در طیف وسیعی از وظایف تنظیم دقیق نظارت شده و یادگیری تقویتی با مدل‌های زبانی در مقیاس‌های مختلف مقایسه می‌کنیم. در SFT، مشاهده می‌کنیم که زیان ارزیابی PreFTها بالاتر از PEFTها است، اما می‌توان با افزایش رتبه تقریباً بدون کاهش توان عملیاتی آن را جبران کرد. در RL، به طور مداوم می‌یابیم که PreFTها به برابری با PEFTهای استاندارد نزدیک می‌شوند. در مجموع، این کار تطبیق فقط پیش‌پر کردن مدل‌های زبانی بزرگ را به عنوان یک مصالحه دقت-توان عملیاتی مطلوب‌تر نسبت به PEFTهای موجود برای ارائه شخصی‌سازی شده تأیید می‌کند.

Large language models can now be personalised efficiently at scale using parameter efficient finetuning methods (PEFTs), but serving user-specific PEFTs harms throughput, even with specialised kernels and memory management techniques. This is because, theoretically and empirically, a mismatch exists between prefill (processing a large number of tokens at once) and decode (generating a single token autoregressively): the latter has far lower throughput when serving multiple adapters. Rather than optimising performance relative to parameter count, for efficient multi-adapter serving, we instead ought to optimise performance relative to serving throughput. We therefore propose PreFT (Prefill-only Finetuning), wherein we only apply the adapter to prefill tokens and discard it afterwards. PreFT significantly increases throughput with minimal effect on performance. We develop and release an efficient implementation of two prefill-only PEFTs, LoRA and ReFT, on the vLLM inference engine. We first show that serving multi-user PreFTs is more efficient than traditional PEFTs ($1.9times$ the throughput when serving $512$ adapters on Llama 3.1 70B). Then, we compare the performance of prefill-only vs. all-token adapters on a variety of supervised finetuning and reinforcement learning tasks with LMs at varying scales. On SFT, we observe that the evaluation loss of PreFTs is higher than PEFTs, but can be compensated by increasing rank with nearly no reduction in throughput. On RL, we consistently find that PreFTs approach parity with standard PEFTs. Together, this work validates prefill-only adaptation of LLMs as a more favourable accuracy-throughput tradeoff than existing PEFTs for personalised serving.