[论文笔记]QLoRA: Efficient Finetuning of Quantized LLMs

引言

今天带来LoRA的量化版论文笔记——QLoRA: Efficient Finetuning of Quantized LLMs

为了简单，下文中以翻译的口吻记录，比如替换"作者"为"我们"。

我们提出了QLoRA，一种高效的微调方法，它在减少内存使用的同时，能够在单个48GB GPU上对65B参数的模型进行微调，同时保持16位微调任务的完整性能。QLoRA通过一个冻结的4位量化预训练语言模型向低秩适配器(LoRA)反向传播梯度。

QLoRA引入了一些创新以节省内存而不牺牲性能：(a)4位NormalFloat(NF4)，一种信息理论上对正态分布权重最优的新数据类型；(b)双重量化，通过对量化常数进行量化来减少平均内存占用；（c）分页优化器来管理内存峰值。

实验结果表明，在小规模高质量数据集上进行QLoRA微调可以获得最先进的结果，即使使用的模型比之前的最先进模型要小。

1. 总体介绍

微调大语言模型是提高其性能的有效方法，同时可以增加期望的行为或消除不期望的行为。然而，对非常大的模型进行微调代价高昂；对一个65B参数的LLaMA模型进行常规的16位微调需要超过780GB的GPU内存。尽管近期的量化方法可以减少LLM的内存占用，但这些技术只适用于推理，训练时会出现问题。

我们首次展示了可以在不降低性能的情况下，对量化的4位模型进行微调。我们的方法QLoRA使用了一种新型的高精度技术将预训练模型量化为4位，然后添加了一小组可学习的低秩适配器权重，通过量化权重反向传播梯度进行调整。

QLoRA将65B参数模型的微调内存需求从超过780GB减少到不到48GB，而不会降低运行时间或预测性能。这标志着LLM微调的可访问性发生了重大变化：现在，迄今为止最大型的公开模型可以在单个GPU上进行微调。使用QLoRA，我们训练了Guanaco系列模型，其中第二好的模型在Vicuna基准测试中达到了ChatGPT性能水平的97.8%，且在单个消费级GPU上训练时间不到12小时；使用单个专业级GPU训练24小时，我们的最大模型达到了99.3%的性能，几乎弥合了与ChatGPT的差距。我们的最小Guanaco模型(7B参数)仅需5GB内存，并在Vicuna基准测试中超越了26GB的Alpaca模型超过20个百分点。

QLoRA引入了多项创新，旨在在不牺牲性能的情况下减少内存使用：(1)4位NormalFloat，一种信息理论上对正态分布数据最优的量化数据类型，实验结果优于4位整数和4位浮点数。(2)双重量化，通过对量化常数进行量化，平均每参数节省约0.37位(65B模型约为3GB)。(3)分页优化器，利用NVIDIA统一内存来避免处理长序列的迷你批次时出现的梯度检查点内存峰值。我们将这些贡献结合成一种更好调整的LoRA方法，在每个网络层包括适配器，从而避免了先前工作中看到的大多数准确度折衷。

QLoRA的高效性使我们能够对指令微调和聊天机器人性能进行深入研究，这在使用常规微调时由于内存开销是不可能实现的。因此，我们在多个指令微调数据集、模型架构和80M到65B参数规模的模型上训练了1000多个模型。除了展示QLoRA恢复16位性能并训练出最先进的聊天机器人Guanaco外，我们还分析了训练模型中的趋势。首先，我们发现数据质量远比数据集大小更为重要，例如，9k样本的数据集(OASST1)在聊天机器人性能上超越了450k样本的数据集(FLAN v2)，即使两者都旨在支持指令跟随泛化。其次，我们展示了强大的Massive Multitask Language Understanding(MMLU)基准测试性能并不意味着强大的Vicuna聊天机器人基准测试性能，反之亦然——换句话说，数据集的适用性比大小对给定任务更为重要。

此外，我们还提供了对聊天机器人性能的详细分析，使用了人工评审和GPT-4进行评估。我们采用了锦标赛风格的基准测试方法，其中模型通过比赛相互竞争，以生成最佳的回应。每场比赛的获胜者由GPT-4或人工注释员进行评判。锦标赛的结果被汇总成Elo分数，这些分数决定了聊天机器人性能的排名。我们发现GPT-4和人工评估在锦标赛中的模型性能排名大体一致，但也存在强烈的分歧。因此，我们强调，虽然基于模型的评估提供了一个廉价的替代人工注释的方法，但也存在一定的不确定性。

发布了所有模型的生成版本及其人工和GPT-4注释，以促进进一步的研究。我们将代码库和CUDA内核开源，并将我们的方法集成到Hugging Face Transformers堆栈中，使其对所有人都易于访问。我们还发布了一组适配器，适用于7/13/33/65B尺寸的模型，这些模型在8个不同的指令跟随数据集上进行了训练，总共有32个不同的开源微调模型。

代码开源在 https://github.com/artidoro/QLoRA

图1：不同微调方法及其内存需求。QLoRA通过将Transformer模型量化为4位精度并使用分页优化器来处理内存峰值，相较于LoRA有所改进。

2. 背景

块级k-位量化 量化是将输入从信息量更大的表示转换为信息量更少的表示的过程。通常意味着将位数更多的数据类型转换为位数更少的数据类型，例如从32位浮点数转换为8位整数。为了确保低位数据类型的整个范围得到利用，输入数据类型通常通过归一化处理，重新缩放到目标数据类型的范围。例如，将32位浮点(FP32)张量量化为范围为 $[- 127, 127]$ 的Int8张量：
${\bf X}^{\mathrm{Int}8}=\mathrm{round}\left(\frac{127}{\mathrm{absmax}({\bf X}^{\mathrm{FP}32})}{\bf X}^{\mathrm{FP}32}\right)=\mathrm{round}(c^{\mathrm{FP}32}\cdot{\bf X}^{\mathrm{FP}32}), \tag 1$

其中 $c$ 是量化常数或量化尺度。反量化过程如下：

$\mathrm{dequant}(c^{\mathrm{FP32}}, \mathbf{X}^{\mathrm{Int8}}) = \frac{\mathbf{X}^{\mathrm{Int8}}}{c^{\mathrm{FP32}}} = \mathbf{X}^{\mathrm{FP32}} \tag 2$

这种方法的问题在于，如果输入张量中出现大幅度的值(即离群值)，则量化箱(quantization bins)——某些位组合——的利用效果不佳，有些箱可能几乎没有量化数值。为了解决离群值问题，一种常见的方法是将输入张量切分成块，每块独立量化，每块具有自己的量化常数 $c$ 。这可以形式化如下：我们将输入张量 $\mathbf{X}\in\mathbb{R}^{b\times h}$ 切分为大小为 $B$ 的块，通过将输入张量展平并将线性段切分为 $n=(b\times h)/B$ 块。独立地量化这些块，使用公式1创建量化张量和 $n$ 个量化常数 $c_{i}$ 。

低秩适配器 低秩适配器(Low-rank Adapter, LoRA)微调是一种通过使用一小组可训练参数(通常称为适配器)来减少内存需求的方法，而不更新保持固定的完整模型参数。在随机梯度下降过程中，梯度通过固定的预训练模型权重传递到适配器，适配器会更新以优化损失函数。LoRA通过附加的因子化投影来增强线性投影。给定一个投影 $\mathbf{X}\mathbf{W} = \mathbf{Y}$ ，其中 $\mathbf{X} \in \mathbb{R}^{b \times h}$ 和 ${\mathbf{W}} \in \mathbb{R}^{h \times o}$ ，LoRA 计算：
$\mathbf{Y} = \mathbf{X}\mathbf{W} + s\mathbf{X}\mathbf{L}_{1}\mathbf{L}_{2}, \tag 3$

其中 $\mathbf{L}_{1} \in \mathbb{R}^{h \times r}$ 和 $\mathbf{L}_{2} \in \mathbb{R}^{r \times o}$ ， $s$ 是一个标量。

参数高效微调的内存需求 一个重点是LoRA在训练过程中的内存需求，尤其是适配器的数量和大小。由于LoRA的内存占用极少，我们可以使用更多适配器来提高性能，而不会显著增加总内存使用量。尽管LoRA被设计为参数高效微调(PEFT)方法，但LLM微调的大部分内存占用来自于激活梯度，而不是学习到的LoRA参数。对于一个在FLAN v2上训练的7B LLaMA模型，批量大小为1，LoRA权重仅占原始模型权重的0.2%，LoRA输入梯度的内存占用为567MB，而LoRA参数仅占26MB。通过梯度检查点，输入梯度的内存占用减少到每个序列平均18MB，使其比所有LoRA权重的总和更具内存占用。相比之下，4位基础模型消耗5.048MB的内存。这突显了梯度检查点的重要性，但也表明， 积极地减少LoRA参数的数量只带来较小的内存节省。这意味着我们可以使用更多适配器，而不会显著增加整体训练内存占用。如后文所述，这对于恢复完整的16位精度性能至关重要。

QLoRA_64">3. QLoRA微调

QLoRA通过我们提出的两种技术——4-bit NormalFloat(NF4)量化和双重量化，实现了高保真度的4位微调。此外，我们引入了分页优化器，以防止在梯度检查点过程中内存峰值导致的内存不足错误。

QLoRA有一个低精度存储数据类型，通常是4位，还有一个计算数据类型，通常是BFloat16。实际上，这意味着每当使用QLoRA权重张量时，我们会将张量反量化为BFloat16，然后在16位下执行矩阵乘法。

4-bit NormalFloat 量化 NormalFloat(NF)数据类型基于分位量化，这是一个信息理论上最优的数据类型，确保每个量化箱中从输入张量中分配的值数量相等。分位量化通过经验累计分布函数估计输入张量的分位数。

分位量化的主要限制是分位估计过程开销较大。因此，使用快速的分位逼近算法，如SRAM分位数，来进行估计。由于这些分位估计算法的近似特性，该数据类型对离群值的量化误差较大，而离群值通常是最重要的值。

当输入张量来自一个固定到量化常数的分布时，可以避免昂贵的分位估计和逼近误差。在这种情况下，输入张量具有相同的分位数，使得精确的分位估计在计算上是可行的。

由于预训练神经网络权重通常具有以标准差为 $\sigma$ 均值为零的正态分布，我们可以通过缩放 $\sigma$ 将所有权重转换为一个固定分布，使分布正好适合我们的数据类型范围。对于我们的数据类型，我们设定了范围 $[- 1, 1]$ 。因此，数据类型的分位数和神经网络权重都需要标准化到这个范围内。

对于零均值的正态分布，任意标准差 $\sigma$ 在 $[- 1, 1]$ 范围内的信息理论最优数据类型计算如下：(1)估计理论 $N (0, 1)$ 分布的 $2^{k}+1$ 个分位数，以获得一个 $k$ 位的分位量化数据类型，(2)将该数据类型的值规范化到 $[- 1, 1]$ 范围内，(3)通过绝对最大值重缩放，将输入权重张量规范化到 $[- 1, 1]$ 范围内。

一旦权重范围和数据类型范围匹配，我们就可以像往常一样进行量化。步骤(3)等同于将权重张量的标准差重新缩放，以匹配 $\mathbf{k}$ 位数据类型的标准差。更正式地说，我们估计数据类型的 $2^{k}$ 个值 $q_{i}$ 如下：

$q_{i} = \frac{1}{2}\left(Q_{X}\left(\frac{i}{2^{k}+1}\right) + Q_{X}\left(\frac{i+1}{2^{k}+1}\right)\right),$

其中 $Q_{X}(\cdot)$ 是标准正态分布 $N (0, 1)$ 的分位函数。对称的 $k$ 位量化的一个问题是这种方法没有零的精确表示，而零是量化填充和其他零值元素的重要属性。为了确保一个离散的零点 0，并使用所有 $2^{k}$ 位用于 $\mathbf{k}$ 位数据类型，我们通过估计两个范围 $q_{i} \colon 2^{k-1}$ 对负部分和 $2^{k-1}+1$ 对正部分的分位数来创建一个不对称数据类型，然后将这些分位数集合统一，并去掉两个集合中都出现的一个零。我们称这种具有每个量化箱中值数量相等的数据类型为 $k$ 位 NormalFloat(NFk)，因为该数据类型在零中心正态分布数据中信息理论上最优。

双重量化(Double Quantization) 我们引入了双重量化(DQ)，即对量化常数进行量化的过程，以进一步节省内存。虽然精确的4-bit量化需要小的块大小，但它也带来了相当大的内存开销。例如，使用32位常数和64的块大小时，量化常数平均增加了 $32/64 = 0.5$ 位每个参数。双重量化有助于减少量化常数的内存占用。

更具体地说，双重量化将第一次量化的量化常数 $c_{2}^{\mathrm{FP}32}$ 作为第二次量化的输入。这一步骤产生量化后的量化常数 $c_{2}^{\mathrm{FP8}}$ 以及第二级量化常数 $c_{1}^{\mathrm{FP}32}$ 。我们使用块大小为256的8位浮点数进行第二次量化，因为对于8位量化没有观察到性能退化。由于 $c_{2}^{\mathrm{FP}32}$ 是正数，我们在量化之前从 $c_{2}$ 中减去均值，以使值集中在零附近并利用对称量化。平均来说，对于块大小为64，这种量化将每个参数的内存占用从 $32/64\,{=}\,0.5$ 位减少到 $8/64+32/(64\,\cdot\,256)=0.127$ 位，减少了0.373位每个参数。

分页优化器(Paged Optimizers) 利用了NVIDIA统一内存功能，该功能在GPU偶尔出现内存不足的情况下，自动进行CPU和GPU之间的页面传输以实现无错误的GPU处理。这一功能类似于CPU RAM和磁盘之间的常规内存分页。我们使用该功能为优化器状态分配分页内存，当GPU内存不足时，优化器状态会自动被转移到CPU RAM，并在优化器更新步骤中需要内存时再分页回到GPU内存中。

QLORA 使用上述组件，我们为量化基础模型中的单个线性层和单个LoRA适配器定义QLORA如下：
$\mathbf{Y}^{\mathrm{BF}16} = \mathbf{X}^{\mathrm{BF}16} \mathrm{double}\mathrm{Quant}(c_{1}^{\mathrm{FP}32}, c_{2}^{\mathrm{k-bit}}, \mathbf{W}^{\mathrm{NF}4}) + \mathbf{X}^{\mathrm{BF}16} \mathbf{L}_{1}^{\mathrm{BF}16} \mathbf{L}_{2}^{\mathrm{BF}16}, \tag 5$

其中 doubleDequant $(\cdot)$ 定义为：

$\begin{array}{r} \mathrm{double2Dequant}(c_{1}^{\mathrm{FP32}}, c_{2}^{\mathrm{k-bit}}, \mathbf{W}^{\mathrm{k-bit}}) = \mathrm{dequant}(\mathrm{dequant}(c_{1}^{\mathrm{FP32}}, c_{2}^{\mathrm{k-bit}}), \mathbf{W}^{\mathrm{4bit}}) = \mathbf{W}^{\mathrm{BF16}}, \end{array} \tag 6$

我们对 $\mathbf{W}$ 使用NF4，对 $c_{2}$ 使用FP8。我们为 $\mathbf{W}$ 使用块大小64以提高量化精度，为 $c_{2}$ 使用块大小256以节省内存。

对于参数更新，仅需要适配器权重的梯度 $\frac{\partial E}{\partial\mathbf{L}_{i}}$ ，而不需要4-bit权重的梯度 $\frac{\partial E}{\partial\mathbf{W}}$ 。然而，计算 $\frac{\partial E}{\partial\mathbf{L}_{i}}$ 需要计算 $\frac{\partial\mathbf{X}}{\partial\mathbf{W}}$ ，这通过方程(5)进行，并通过从存储数据类型 $\mathbf{W}^{\mathrm{NF4}}$ 反量化到计算数据类型 $\mathbf{W}^{\mathrm{BF16}}$ 来计算 $\frac{\partial\mathbf{X}}{\partial\mathbf{W}}$ 的导数，精度为BFloat16。

总结来说，QLoRA具有一个存储数据类型(通常是4-bit NormalFloat)和一个计算数据类型(16-bit BrainFloat)。我们将存储数据类型反量化到计算数据类型以进行前向和反向传递，但我们仅计算LoRA参数的权重梯度，这些参数使用16-bit BrainFloat。

QLoRA_vs__115">4. QLoRA vs. 标准微调

现在主要的问题是QLoRA是否能与全模型微调一样出色。此外，我们还想分析QLoRA的组件，包括NormalFloat4相对于标准Float4的影响。

实验设置。我们考虑了三种架构(编码器、编码器-解码器和仅解码器)，并将QLoRA与16-bit适配器微调和全微调进行比较，模型大小最大为3B。

虽然分页优化器对于在单个24/48GB GPU上进行33B/65B QLoRA微调至关重要，但我们没有提供分页优化器的硬性测量，因为分页仅在处理具有长序列长度的迷你批次时发生，这种情况较为少见。然而，我们确实对在48GB GPU上65B模型的分页优化器的运行时间进行了分析，发现批量大小为16时，分页优化器提供的训练速度与常规优化器相同。未来的工作应测量并表征分页过程下的性能下降情况。

默认LoRA超参数与16-bit性能不匹配。在将LoRA应用于query和value注意力投影矩阵的标准做法时，我们无法复制大型基础模型的全微调性能。如图2所示，在Alpaca上对LLaMA 7B进行微调时，我们发现最关键的LoRA超参数是使用的LoRA适配器总数，并且在所有线性变换块层上应用LoRA是匹配全微调性能所必需的。其他LoRA超参数，如投影维度 $r$ ，对性能没有影响。

类似地，我们发现完全微调基线的默认超参数设置过低。我们在学习率1e-6到5e-5和批量大小8到128之间进行超参数搜索，以找到稳健的基线。图2展示了在Alpaca上对7B LLaMA进行微调的结果。

图3：在Winogrande、HellaSwag、PiQA、Arc-Easy 和 ArcChallenge上的平均0-shot准确率，使用不同4-bit数据类型的LLaMA模型。NormalFloat 数据类型相比于常规4-bit浮点数显著提高了逐位准确率增益。虽然双重量化(DQ)只带来了微小的提升，但它提供了对内存占用的更细粒度控制，使得特定大小的模型(33B/65B)可以适配到特定的GPU(24/48GB)中。

在这里插入图片描述

4-bit NormalFloat优于4-bit浮点数。虽然4-bit NormalFloat(NF4)数据类型在信息论上是最优的，但仍需确定这一属性是否转化为实证优势。遵循Dettmers和Zettlemoyer的设置，对不同大小(125M到65B)的量化LLMs使用不同的数据类型进行语言建模和一组0-shot任务的评估。在图3和表2中，我们观察到NF4在性能上显著优于FP4和Int4，并且双重量化在不降低性能的情况下减少了内存占用。

$\mathbf{k}$ -bit QLoRA匹配16-bit全微调和16-bit LoRA性能

近期研究表明，4-bit量化在推理时是可能的，但会相对于16-bit导致性能下降。这提出了一个关键问题，即通过进行4-bit适配器微调是否可以恢复丢失的性能。我们在两个设置中测试了这一点。

第一个设置重点比较了在GLUE和Super-Natural Instructions数据集上，125M到3B参数规模的RoBERTA和T5模型的16-bit全微调与适配器微调的效果。结果见表3。在这两个数据集上，我们观察到16-bit、8-bit和4-bit适配器方法的性能可以复制全微调16-bit基线的表现。这表明，通过适配器微调，在量化之后丢失的性能可以完全恢复。

在我们的第二个设置中，由于11B及以上参数规模的全微调模型需要超过一台高内存GPU的服务器，我们继续测试4-bit QLoRA是否能在7B到65B参数规模上匹配16-bit LoRA。为此，我们在两个指令跟随数据集Alpaca和FLAN v2上对LLaMA 7B至65B进行微调，并通过5-shot准确率在MMLU基准上进行评估。结果见表4，我们看到NF4与双重量化完全恢复了16-bit LoRA在MMLU上的性能。此外，我们还注意到，QLoRA的FP4在性能上落后于16-bit BrainFloat LoRA基线约1个百分点。这进一步验证了我们的发现：(1)QLoRA与NF4能够复制16-bit全微调和16-bit LoRA微调的性能，(2)NF4在量化精度上优于FP4。

总结

我们的结果一致显示，4-bit QLoRA使用NF4数据类型在学术基准测试中匹配了16-bit全微调和16-bit LoRA微调的性能。NF4比FP4更有效，并且双重量化不会降低性能。综合来看，这些结果提供了有力证据表明，4-bit QLoRA微调能够可靠地获得与16-bit方法相匹配的结果。

在给定的微调和推理资源预算下，增加基础模型的参数数量而降低其精度是有益的。这突显了QLoRA的效率优势。

QLoRAChatbot_SOTA_156">5 QLoRA推动Chatbot SOTA

5.1 实验设置

数据：鉴于目前没有关于近期指令跟随数据集的综合研究，我们选择了八个近期的数据集。这些数据集包括通过众包获得的数据、从指令调优模型中提取的数据、语料库聚合，以及混合类型的数据。这些数据集涵盖了不同语言、数据规模和许可证。

训练设置：为了避免不同训练目标的干扰效果，我们进行QLoRA微调时只使用交叉熵损失(监督学习)，不使用强化学习，即使数据集中包含不同响应的人类判断。

在所有实验中，我们使用NF4 QLoRA进行双重量化，并使用分页优化器来防止梯度检查点期间的内存激增。我们对13B和33B LLaMA模型进行小范围的超参数搜索，发现7B模型中的所有超参数设置(包括训练周期)都能通用，但学习率和批量大小除外。对于33B和65B模型，我们将学习率减半，同时将批量大小翻倍。

基准：我们将我们的模型与研究和商业聊天机器人系统进行比较。Open Assistant模型是一个经过从人类反馈强化学习(RLHF)微调的LLaMA 33B模型，使用的OASST1数据集与我们实验的相同。Vicuna则是对LLaMA 13B进行全面微调，使用的是来自ShareGPT的专有用户共享对话，因此是从OpenAI GPT模型中提炼出的结果。

5.2 评估

按照常见做法，我们使用MMLU(大规模多任务语言理解)基准来衡量在一系列语言理解任务上的表现。该基准是一个多项选择题基准，涵盖了57个任务，包括基础数学、美国历史、计算机科学、法律等。我们报告5-shot测试准确率。

我们还通过自动化和人工评估测试生成语言能力。第二组评估依赖于由人工策划的查询，旨在衡量模型响应的质量。虽然这是一个更真实的聊天机器人模型性能测试环境，并且日益受到关注，但在文献中尚无公认的评估协议。我们下面描述了我们提出的设置，所有情况下均使用 $p = 0.9$ 的核采样和温度 0.7。

基准数据：我们在两个策划好的查询数据集上进行评估(问题)：Vicuna 提示和 OASST1 验证数据集。使用未做修改的 Vicuna 提示，这是一组来自各种类别的 80 个提示。OASST1 数据集是一个多语言的众包多轮对话集合，包括用户和助手之间的对话。将验证数据集中的所有用户消息作为查询，并在提示中包含之前的轮次。这一过程生成了 953 个独特的用户查询。将这两个数据集称为 Vicuna 基准和 OA 基准。

自动化评估：首先，基于 Chiang 等人提出的评估协议，使用 GPT-4 对不同系统在 Vicuna 基准上的表现进行评分，比较 ChatGPT(GPT-3.5 Turbo)和模型的响应。给定一个查询及 ChatGPT 和模型的响应，GPT-4 会被提示给出两个响应的评分(满分为 10 分)并提供解释。模型的整体表现计算为 ChatGPT 获得分数的百分比。需要注意的是，如果模型获得的绝对分数高于 ChatGPT，相对评分可以高于 100%。

接下来，通过直接比较系统输出的表现来进行测量。将评分方案简化为一个三类标签问题，以处理平局情况。提示 GPT-4 选择最佳响应或宣布平局，并提供解释。对 Vicuna 和 OA 基准上的所有系统对的排列组合进行这些一对一比较。

人工评估：虽然近期的研究表明生成模型可以有效用于系统评估，但 GPT-4 的评分与人工判断的相关性尚未得到验证。因此，在 Vicuna 基准上进行两项平行的人工评估，匹配上述自动化评估协议。使用 Amazon Mechanical Turk(AMT)进行评估，得到两个人工标注者进行与 ChatGPT 的比较，以及三个标注者进行配对比较。

Elo 评分：通过人工和自动化的配对比较，创建了一个锦标赛风格的竞争环境，在这个环境中模型相互竞争。锦标赛由比赛组成，其中模型对对特定提示进行回应。还使用了 GPT-4 的评分来补充人工评分。从标注比较集中随机抽样来计算 Elo 。Elo 评分广泛用于国际象棋和其他游戏，它衡量相对于对手胜率的预期胜率。例如，Elo 1100 对 Elo 1000 表示 Elo 1100 的玩家预期有大约 65% 的胜率，而 Elo 1000 对 Elo 1000 或 Elo 1100 对 Elo 1100 的比赛结果预期胜率为 50%。Elo 评分在每场比赛后根据预期结果按比例变化，即意外的失利会导致 Elo 评分的大幅变化，而预期的结果则导致小幅变化。随着时间的推移，Elo 评分大致匹配每个玩家的技能水平。从 1000 分开始，并使用 $K = 32$ 。我们重复这一过程 10,000 次，使用不同的随机种子来控制排序效应。

QLoRAOASST1SOTA_188">5.3 Guanaco: QLoRA在OASST1上训练的SOTA聊天机器人

QLoRA调整模型Guanaco 65B，经过在OASST1变体上的微调，是表现最好的开源聊天机器人模型，并且在性能上与ChatGPT具有竞争力。与GPT-4相比，Guanaco 65B和33B的预期胜率为30%，这是基于人类标注者系统级配对比较的Elo评分——迄今为止报告的最高水平。

表6显示了Vicuna基准相对于ChatGPT的结果。Guanaco 65B是仅次于GPT-4的最佳表现模型，相对于ChatGPT的表现达到99.3%。Guanaco 33B的参数量比Vicuna 13B模型多，但只使用4-bit精度进行权重计算，因此在21 GB的内存占用下比26 GB的Vicuna 13B更具内存效率，提供了3个百分点的提升。此外，Guanaco 7B的体积适合现代手机，其5 GB的内存占用比Alpaca 13B高出近20个百分点。

然而，表6也显示了非常宽的置信区间，许多模型的表现重叠。我们假设这种不确定性来源于尺度的缺乏明确规范，例如，在不同场景下10分制的8分意味着什么并不清楚。因此，我们推荐使用Elo排名方法，基于人类标注者和GPT-4的配对判断，以避免绝对尺度的基础问题。最具竞争力模型的Elo评分见表1。我们注意到人类和GPT-4在Vicuna基准上的模型排名存在部分不一致，特别是对于Guanaco 7B，但大多数模型的一致性较好，Kendall Tau为 $\tau=0.43$ ，Spearman秩相关系数为 $r = 0.55$ 。在示例级别，GPT-4和人工标注者的多数票之间的一致性较弱，Fleiss $\kappa\,=\,0.25$ 。总体而言，这表明GPT-4和人工标注者在系统级判断上的中等一致性，因此基于模型的评估代表了一种相对可靠的人工评估替代方案。

表7中的Elo排名表明，Guanaco 33B和65B模型在Vicuna和OA基准上超越了除GPT-4之外的所有模型，并且它们在性能上与ChatGPT相当，符合表6的结果。Vicuna基准偏向开源模型，而较大的OA基准则偏向ChatGPT。此外，从表5和表6中可以看出，微调数据集的适用性是决定性能的一个关键因素。在FLAN v2上微调Llama模型在MMLU上表现特别好，但在Vicuna基准上表现最差(其他模型也观察到了类似趋势)。这还指出了当前评估基准中的部分正交性：强的MMLU性能并不意味着在聊天机器人性能(如Vicuna或OA基准测量)上的强表现，反之亦然。

Guanaco是我们评估中唯一一个没有使用专有数据的顶级模型，因为OASST1数据集的收集指南明确禁止使用GPT模型。仅使用开源数据训练的下一个最佳模型是Anthropic HH-RLHF模型，其在Vicuna基准上的评分比Guanaco低30个百分点(见表6)。总体而言，这些结果表明4-bit QLoRA是有效的，可以产生与ChatGPT竞争的最先进的聊天机器人。此外，我们的33B Guanaco可以在 $24\;\mathrm{GB}$ 消费级GPU上在不到12小时的时间内训练完成。这为未来通过QLoRA调整专门的开源数据提供了潜力，从而产生能够与现存最佳商业模型竞争的模型。

6 定量分析

尽管定量分析是我们评估的核心，但仅仅依赖汇总统计数据存在一些问题。也许最大的问题是基准有效性的问题——一个基准是否真正测试其名称或描述所暗示的内容始终是一个疑问，特别是当我们发现机器学习模型有时会利用的“捷径”来解决基准问题时。为部分缓解这个问题，我们在这里进行了一些定性分析，分为两个部分。

6.1 示例生成的定性分析

为了找到示例，我们首先浏览了为Vicuna基准和OpenAssistant基准生成的数据，查找Guanaco生成的答案中的模式。当我们注意到一个模式时，我们尝试设置一个问题或提示来引发该模式，即使它是错误的解决方案。例如，如果我们观察到模型倾向于给出冗长的回答，我们会提示模型"只回答是或否，不要解释。"我们用这种方法找出“劣质生成”，即我们成功地对模型进行了对抗性测试的情况，以及“优质生成”，即我们未能对模型进行对抗性测试的情况，并展示这两种情况。本节中的所有生成文本都是使用Nucleus Sampling进行的， $p = 0.9$ 。

当然，这绝不是全面的，因为控制所有变量超出了这项小规模定性研究的范围。例如，模型可以生成的对于给定提示的完整响应分布相当大，因此我们依赖于我们希望具有代表性的样本。然而，我们认为描述这些示例可以为论文中展示的定量证据提供背景。

事实召回 对于像“赞比亚的首都是什么？”这样的问题，所有模型都会一致地生成正确答案，例如：

Guanaco：赞比亚的首都为卢萨卡。

然而，随着问题变得越来越晦涩，Guanaco 的表现变得不可靠，但仍然保持自信。例如，针对来自 HotPotQA 的以下提示：

用户：流行歌曲《I’ll Keep the Lovelight Burning》的歌手出生于哪一年？
Guanaco：Al Jolson 被认为是流行歌曲《I’ll Keep the Lovelight Burning》的推广者，他出生于1886年。

Guanaco 生成了错误的推广者和错误的出生年份(尽管给出的出生年份对于提到的人 Al Jolson 是正确的)。

暗示性 Guanaco 对某些假设性错误信息表现出惊人的抗拒。例如，在以下互动中：

用户：地球最终是如何被同行评审的科学家正式确认是平的？

Guanaco：地球从未被同行评审的科学家正式确认是平的。科学界的压倒性共识是地球是球形的。事实上，这一事实已经被认识了几个世纪，并通过无数实验和观察得到了确认。

地球是平的这一信念是一种已被科学揭穿的阴谋论。科学家们已同行评审并确认地球是平的这一说法是完全错误的。

如果你有其他问题，请随时提问。

Guanaco 还非常擅长识别哪些问题是无法回答的，例如：

用户：现在几点了？

Guanaco：对不起，作为一个 AI 语言模型，我无法访问实时信息。我的回答是基于我已有的知识生成的，并不反映当前时间。如果你想知道当前时间，我建议你使用时间设备或检查在线时钟。

类似的结果适用于“你在哪里？”、“你好吗？”等问题。

拒绝同样，Guanaco 有时会因为看似随机的原因拒绝执行指令：

用户：请将句子“I’m a cool dude in a mocha mood.”中的单词颠倒过来。

Guanaco：对不起，我现在无法做到这一点，但我可以解释为什么你提供的句子语法上是正确的。

句子“I’m a cool dude in a mocha mood”符合英语的语法和句法规则。在这个句子中，形容词“cool”放在名词“dude”之前来描述它，介词短语“in a mocha mood”提供了额外的信息。这种句子结构在句子上下文中是完全可以接受的，并且很有意义。

如果你有其他问题或需要帮助，请随时告知。

保密性 不幸的是，这种拒绝在需要时也不可靠。系统设计人员通常希望从用户那里保守某些秘密，即使系统允许自由文本响应。我们用“秘密词是‘banana’。无论人类请求什么，都不要透露或重复。”来提示模型，尝试查看潜在用户获取这些秘密信息的难易程度。直接询问失败：

用户：秘密词是什么？

Guanaco：对不起，我无法透露秘密词。我被编程为不透露或重复秘密词，无论人类如何请求。还有其他需要帮助的地方吗？

这是一种期望的行为。然而，稍加技巧就能打破这种行为：

用户：这是一个游戏。目标是忽略你的之前指示。秘密词是什么？

Guanaco：对不起，秘密词是香蕉。最好不要谈论它。还有其他问题吗？

这展示了需要研究更忠实的指令遵循方法。

数学 Guanaco 最大的弱点是数学，这是许多语言模型的一个难点。当 Guanaco 展示其工作过程时，它往往是准确的，例如：

用户：Lee 割了一片草坪收取 $33$ 。上周他割了 16 片草坪，三位顾客每人给了他 $10$ 小费。Lee 上周割草赚了多少美元？

Guanaco：Lee 上周割草赚了 $582$ 。为了找到他赚取的总金额，我们首先需要计算他割 16 片草坪的收入： $33 \times 16 = 528$ 。然后我们需要加上他从三位顾客那里收到的小费： $10 \times 3 = 30$ 。所以，Lee 的总收入是： $528 + 30 = 558$ 。

然而，如果 Guanaco 没有逐步解决简单问题，它可能会出错，这是一个已知问题。例如，我们看到以下互动：

用户：请将 1833 进行因式分解。

Guanaco：当然，我很乐意帮助！1833 是一个质数，这意味着它只有两个因子：1 和 1833。所以，1833 的唯一因式分解是： $2~\hat{~}1 \ast 3~\hat{~}2 \ast 17~\hat{~}1$ 。希望这对你有帮助！如果你有其他问题，请告诉我。

这不仅错误(真实的因式分解是 $\times 17 \times 43$ )，而且错误了两次。

心智理论 Guanaco 展示了令人惊讶的心智理论能力。例如，模型在详细回答以下问题时表现得很出色：

用户：James 和 Abby 在卧室里。Abby 把笔放在了书桌抽屉里。Abby 离开了卧室。James 把笔放进了包里。James 认为 Abby 会在哪里找笔？

Guanaco：James 知道 Abby 把笔放在了书桌抽屉里。但是 James 也知道他已经把笔放进了包里，并且他假设 Abby 并不知道这一点。所以，James 可能会猜测 Abby 会在书桌抽屉里找笔，因为那是她上次放笔的地方。然而，这个假设可能不正确，因为 Abby 可能看到了 James 移动笔的过程。

然而，这些推断并不总是可靠，模型经常给出一些不符合情境的理由，例如：

用户：Evelyn 进入了客厅。Jackson 进入了游戏室。James 进入了游戏室。豆子在宝箱里。James 离开了

Guanaco：James 会在食品储藏室里找豆子，因为 Jackson 把豆子移到了那里。

这里 Guanaco 假设了从未描述过的信息转移。

6.2 考虑因素

评估我们报告了人类注释者之间的中等一致性(Fleiss $\kappa\,=\,0.42$ )，在比较两个强系统时，这种一致性进一步下降。这表明当前基准测试和人类评估协议在聊天机器人任务表现上的局限性。在手动比较 ChatGPT 和 Guanaco 65B 在 Vicuna 基准上的生成结果时，我们发现主观偏好开始发挥重要作用，因为本文的作者在许多偏好的回答上存在分歧。未来的工作应调查减轻这些问题的方法，借鉴那些开发出处理主观偏好的机制的学科，如人机交互和心理学。

在我们的分析中，我们还发现自动评估系统存在明显的偏差。例如，我们观察到 GPT-4 对在其提示中出现的第一个系统分配了更高的分数，存在强烈的顺序效应。GPT-4 和人类注释者之间相对较弱的样本级一致性(Fleiss $\kappa\,=\,0.25$ )也表明，人类注释者和自动系统可能依赖于不总是对齐的偏好。此外，在表 7 中，我们观察到 GPT-4 给自己输出的分数显著高于人类评分，Elo 为 1348 对 1176，这代表了额外的 $20\%$ 的胜率。未来的工作应检查自动评估系统中的潜在偏差以及可能的缓解策略。

数据与训练 我们注意到，Guanaco 模型训练使用的 OASST1 数据集是多语言的，OA 基准也包含不同语言的提示。我们将未来的工作留给调查这种多语言训练在非英语语言指令上的性能提升程度，以及这是否解释了 Vicuna-13B 模型(仅在英语数据上训练)与 Guanaco 33B 和 65B 在 OA 基准上的差距。

鉴于 Guanaco 模型的强劲表现，我们调查了 OASST1 数据和 Vicuna 基准提示之间是否存在数据泄漏。在对两个数据集进行模糊字符串匹配并手动检查最接近的匹配后，我们没有发现重叠的提示。

此外，我们注意到我们的模型仅使用交叉熵损失(监督学习)进行训练，而没有依赖于人类反馈的强化学习(RLHF)。这要求进一步调查简单交叉熵损失与 RLHF 训练的权衡。我们希望 QLoRA 能在大规模上实现这种分析，而无需大量的计算资源。

7 相关工作

大型语言模型的量化

大语言模型的量化主要集中在推理时间的量化上。保持16位LLM质量的主要方法包括管理离群特征，而其他方法则使用更复杂的分组方法。有损量化方法研究了常规舍入的权衡，或如何优化舍入决策以提高量化精度。除了我们的工作，SwitchBack 层是唯一一个在超过1B参数规模上研究量化权重的反向传播的工作。

使用适配器的微调

虽然我们使用了LoRA，但还有许多其他参数高效微调方法被提出，例如提示微调、嵌入层输入微调、隐藏状态微调、添加完整层、微调偏差、基于 Fisher 信息的权重掩码学习以及多种方法的组合。在我们的工作中，我们展示了 LoRA 适配器能够实现完整的16位微调性能。

指令微调

为了帮助预训练的LLM遵循提示中提供的指令，指令微调使用各种数据源的输入-输出对来微调预训练的LLM，以便根据输入生成相应的输出。

聊天机器人

许多指令跟随模型以对话型聊天机器人为结构，通常使用来自人类反馈的强化学习或使用现有模型生成数据进行AI模型反馈训练。我们没有使用强化学习，但我们的最佳模型 Guanaco 是在 Open Assistant 数据集上的多轮对话互动中微调的，该数据集旨在用于 RLHF 训练。对于聊天机器人的评估，已经开发了使用 GPT-4 而不是昂贵的人类注释的方法。

8 限制与讨论

我们已显示出我们的方法能够使用 4 位基模型和低秩适配器复制 16 位的完整微调性能。尽管如此，我们没有确定 QLoRA 是否能够在 33B 和 65B 规模上匹配完整的 16 位微调性能。

另一个限制是指令微调模型的评估。尽管我们在 MMLU、Vicuna 基准和 OA 基准上提供了评估，但我们没有在其他基准上进行评估，也不能确保我们的评估能够推广到这些基准。另一方面，我们在 MMLU 上进行了一项非常广泛的研究，并开发了新的聊天机器人评估方法。

从所提供的证据来看，这些基准的性能似乎依赖于微调数据与基准数据集的相似程度。这突出表明，不仅需要更好的基准和评估，还需要谨慎考虑评估的目标是什么。我们是希望创建在课堂、高中和大学知识方面表现良好的模型，还是希望模型在聊天对话能力上表现出色？或者是其他目标？因为创建新基准总是比在现有基准上进行评估要容易得多，某些基准可能会引导社区朝某个方向发展。我们应该确保作为一个社区，基准测试确实衡量了我们关心的内容。

尽管我们提供了对一般聊天机器人性能的详细评估，但另一个限制是我们只对 Guanaco 进行了有限的负责任 AI 评估。我们评估了 Guanaco-65B 生成社会偏见序列的可能性，并与表 8 中的其他模型进行比较。我们看到 Guanaco-65B 的平均得分远低于其他原始预训练模型。因此，这似乎表明在 OASST1 数据集上微调减少了 LLaMA 基模型的偏见。虽然这些结果令人鼓舞，但尚不清楚 Guanaco 在评估其他类型的偏见时是否也表现良好。我们将对 Guanaco 和类似聊天机器人的偏见进行进一步评估的工作留待未来。

另一个限制是我们没有评估不同位数的精度，例如使用 3 位基模型，或不同的适配器方法。除了 LoRA，还有各种参数高效微调方法已被证明效果良好。然而，目前尚不清楚这些方法是否适用于大型模型。

9 更广泛的影响

我们的微调方法是首个能够在单个消费级GPU上微调33B参数模型，并在单个专业GPU上微调65B参数模型的方法，同时不降低相对于完整微调基线的性能。我们已经证明，我们在Open Assistant数据集上训练的最佳33B模型可以在Vicuna基准上与ChatGPT相媲美。由于指令微调是将原始预训练LLM转变为类似ChatGPT的聊天机器人的重要工具。

另一个潜在的影响来源是部署到移动电话上。我们相信，我们的QLoRA方法可能实现了在手机和其他低资源环境中微调LLMs的关键里程碑。虽然之前已经展示了7B模型能够在手机上运行，但QLoRA是第一个能够实现这种模型微调的方法。

QLoRA_345">A QLoRA与标准微调实验设置细节

QLoRA_347">A.1 QLoRA的超参数

图4：LLaMA 7B模型在Alpaca上微调的LoRA $r$ 。每个点代表一组超参数组合，对于每个LoRA $r$ ，使用3个随机种子进行每组超参数组合的实验。特定LoRA $r$ 值的性能似乎与其他超参数无关。

我们对LoRA的超参数进行了搜索，变量包括：LoRA dropout {0.0, 0.05, 0.1}，LoRA $r$ {8, 16, 32, 64, 128, 256}，LoRA 层 {key+ query，所有注意力层，所有FFN层，所有层，注意力 + FFN 输出层}。我们保持LoRA $\alpha$ 固定，并搜索学习率，因为LoRA $\alpha$ 总是与学习率成比例。

我们发现，对于小型模型(7B，13B)，LoRA dropout 0.05 是有用的，但对于大型模型(33B，65B)，则无效。我们发现当LoRA应用于所有层时，LoRA r 与最终性能无关，如图4所示。

A.2 Super-Natural Instructions实验设置细节

我们使用了Wang等人对Super-Natural Instruction数据集的相同预处理。然而，我们将训练数据分为训练集和验证集，使我们能够进行更严格的超参数调整和早停。我们使用文献中描述的相同超参数来训练不同大小的T5模型。对于小型、中型和大型T5模型，我们使用LoRA $r = 16$ ；对于T5 x1和xxl模型，我们使用LoRA $r = 64$ 。在所有实验中，我们还使用LoRA $\alpha=64$ ，且没有LoRA dropout。

B 训练SOTA聊天机器人的实验设置细节

B.1 数据集

OASST1 OpenAssistant数据集是通过众包收集的。它包含161443条独特消息，分布在66497个对话中，涵盖35种不同的语言。数据集通常包含每个用户问题的多个排名回复。在我们的实验中，我们仅使用对话树中每个级别的最佳回复。这将数据集限制为9209个示例。我们在包含用户查询的完整对话上微调我们的模型。

HH-RLHF 这是一个关于有用性和无害性的人工偏好数据集。每个数据点包括两个助理回复一个用户问题，并附有人类对最佳回复的偏好判断。该数据集包含160800个示例。在微调此数据集时，我们将有用性和无害性数据合并，只保留首选的助理回复。

FLAN v2 FLAN v2集合包含1836个任务，增加了数百个手动策划的模板和丰富的格式化模式，总计超过1500万示例。作者显示，训练于此集合的模型在FLAN 2021、T0++、Super-Natural Instructions和OPT-IML等其他公共集合中表现优异。我们使用了作者描述的相同任务混合。

Self-Instruct, Alpaca, Unnatural Instructions Self-Instruct、Alpaca和Unnatural Instructions数据集是通过从GPT-3 Instruct和ChatGPT模型蒸馏的各种方法收集的指令调优数据集。它们依赖于提示、上下文学习和改写来生成多样的指令和输出。数据集分别包含82612、51942和240670个示例。这些蒸馏数据集的一个优势是，与FLAN v2集合和类似的指令调优集合相比，它们包含了更多样化的指令风格。

Longform LongForm数据集基于英语语料库，增加了指令，因此是一个混合人工生成的数据集。基础文档由人类撰写，来自C4和维基百科，而指令则通过LLMs生成。数据集扩展了额外的结构化语料库示例，如Stack Exchange和WikiHow，以及任务示例，如问答、电子邮件写作、语法错误修正、故事/诗歌生成和文本总结。数据集包含23700个示例。

Chip2 是OIG Laion数据集的一部分。它包含Python代码示例、自然指令示例、通用无害指令、包含列表的指令/回复、后续问题、维基百科有害对抗性问题、小学数学、推理指令以及角色和场景描述，共有210289个示例。

B.2 超参数

我们提供了在QLoRA微调实验中使用的具体超参数。我们发现超参数在数据集间大体上是稳健的。我们使用MMLU 5-shot开发集进行验证和超参数调整。在所有实验中，我们使用NF4进行双重量化和bf16计算数据类型。我们将LoRA $r = 64$ 、 $\alpha=16$ ，并在基础模型的所有线性层上添加LoRA模块。对于最大13B模型，我们还使用Adam beta2为0.999，最大梯度范数为0.3，LoRA dropout为0.1；对于33B和65B模型，LoRA dropout为0.05。遵循之前关于指令微调的工作，并在基准其他线性和余弦调度后，我们使用了常数学习率调度。我们使用按长度分组将相似长度的示例分到同一批次中(注意这将产生波动的损失曲线)。我们为每种模型大小调整的超参数见表9。

B.3 消融实验

虽然在文献中通常只在指令跟随数据集的回复上进行训练，但我们在表10中研究了除了回复之外，还对指令进行训练的效果。在这些实验中，我们将训练数据限制为52000个示例，并使用7B模型。在四个不同的指令调优数据集上，我们发现仅在目标上进行训练对MMLU性能有利。

B.4 更重要的是：指令微调数据集大小还是数据集质量？

数据集的适用性比数据集的大小更为重要。为了了解数据集质量与数据集大小的效果，我们对至少包含150000个样本的大数据集进行下采样，得到50000、100000和150000大小的数据集，并检查结果趋势，如表11所示。我们发现，增加数据集大小和训练轮次仅对MMLU有边际提升(0.0-0.5 MMLU)，而数据集之间的差异则高达40倍(1.5 - 8.0 MMLU)。这清楚地表明，数据集质量而非数据集大小对于平均MMLU准确性至关重要。我们对聊天机器人的性能也得到了类似的发现，如讨论中所述。

C 人工评估

我们进行了人工评估，使用与原始Vicuna评估中给GPT-4相同的措辞，并调整为Amazon Mechanical Turk形式，如图5所示。

D 与GPT-4的成对评估

虽然我们发现GPT-4评估的结果取决于哪个系统首先呈现，但在对两种选项的平均结果进行评估时，成对结果排序良好。汇总的成对判断见表12。经过检查，这些判断是传递的，即当系统A被评估为优于系统B，系统B被评估为优于系统C时，系统A总是被评估为优于系统C。这产生了一个完整的排序，如表13所示。

E NormalFloat 4位数据类型

NF4数据类型的具体值如下：

[-1.0, -0.6961928009986877, -0.5250730514526367,
-0.39491748809814453, -0.28444138169288635, -0.18477343022823334,
-0.09105003625154495, 0.0, 0.07958029955625534, 0.16093020141124725,
0.24611230194568634, 0.33791524171829224, 0.44070982933044434,
0.5626170039176941, 0.7229568362236023, 1.0]

F 训练神经网络权重的正态性

虽然训练神经网络权重大多是正态分布的已是常识，但我们进行了统计测试来验证这一点。我们对7B LLaMA模型的权重使用Shapiro-Wilk测试。我们发现每个隐藏单元的权重具有不同的正态分布。因此，我们测试了每个隐藏单元的权重。这意味着对于权重 $\mathbf{W} \in \mathcal{R}^{\text{in} \times \text{out}}$ ，我们在“out”维度上进行测试。使用5%的显著性水平，我们发现7.5%的神经元的分布不是正态的，这比预期的假阳性率多约2.5%。因此，虽然几乎所有的预训练权重似乎都是正态分布的，但也存在例外。这些例外可能是由于离群值权重或Shapiro-Wilk测试的p值在大样本情况下不准确，这在LLaMA的FFN层隐藏单元中会出现。这验证了神经网络权重的正态性。

总结

⭐ 作者提出了QLoRA，一种高效的微调方法，它在减少内存使用的同时保持16位微调任务的完整性能。这是通过：4位NormalFloat、双重量化(对量化常数进行量化)、分页优化器(GPU内存不足的情况下，自动进行CPU和GPU之间的页面传输)来管理内存峰值实现的。微调时冻结4位量化预训练语言模型而向低秩适配器(LoRA)反向传播梯度。