大模型微调新范式：当LoRA遇见MoE

01 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、IA 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、DeepSeek 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：

1. 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 IA 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。
2. 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。
3. 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。

02 MoV和MoLORA：PEFT初见MoE，故事开始

论文标题：

Pushing Mixture of Experts to the Limit: Extremely Parameter Efficient MoE for Instruction Tuning

论文链接：

​​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（IA 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IA 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 ：

那么，MOV 就是将这些可训练向量各自复制  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 、输出各专家的激活权重，过 softmax 之后得到各专家的激活概率 ，以其为权重对各个可训练向量求和（之后向原始版本的 IA 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 IA 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 IA 和 LORA。例如，专家个数  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 IA 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。

03 LoRAMOE：LoRA专家分组，预训练知识记得更牢

论文标题：

LoRAMoE: Revolutionizing Mixture of Experts for Maintaining World Knowledge in Language Model Alignment

论文链接：

​​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  为路由模块输出的重要性矩阵， 代表第  个专家对第  个训练样本的权重， 作者定义的和  形状相同的矩阵：

其中  为 0-1 之间的固定值（控制两组专家不平衡程度的超参）， 为第  个专家的类型（设负责保留预训练知识的那组为 0，负责习新任务的那组为1）， 为第  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  的定义为用  加权后的重要性矩阵  的方差除以均值：

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  值是相等的，优化  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  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  的信息，A 对这种数据的路由值  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：

04 MOLA：统筹增效，更接近输出端的高层需要更多专家

论文标题：

Higher Layers Need More LoRA Experts

论文链接：

​​https://arxiv.org/abs/2402.08562​​​

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：

1. 现有 PEFT+MoE 的微调方法是否存在专家冗余的问题？
2. 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。

本文转自 PaperWeekly ，作者： 陈思硕

原文链接:​​https://mp.weixin.qq.com/s/t_X8AHFgi-RHuviTuCYv0Q?poc_token=HIEHBWaj7StycR-gb0VbDPYDOV1x9eleCp4aiZ5S​​