一種叫做AdaptiVocab方法，通過詞匯表適配，在垂直領(lǐng)域顯著提升LLM效率，且不損失生成質(zhì)量與知識能力。其輕量級特性為實(shí)際部署提供了可行方案，尤其在資源受限場景下具有重要應(yīng)用價(jià)值。

1. 研究背景與動機(jī)

• 問題提出：大型語言模型（LLM）在通用領(lǐng)域表現(xiàn)出色，但計(jì)算成本高，尤其在自回歸解碼中每一步都需要前向傳播。
• 領(lǐng)域特定需求：在專業(yè)領(lǐng)域（如地球科學(xué)、物理史），通用詞匯冗余，導(dǎo)致效率低下。傳統(tǒng)領(lǐng)域適應(yīng)方法關(guān)注性能而非效率。
• 核心思路：通過調(diào)整詞匯表（Vocabulary Adaptation），用領(lǐng)域相關(guān)的n-gram替換通用token，減少輸入和生成的token數(shù)量，從而提升效率。

2. 方法：AdaptiVocab框架

2.1 詞匯修改（Vocabulary Modification）

• 目標(biāo)：用領(lǐng)域高頻n-gram替換低效token。
• 算法流程：

候選n-gram生成：從領(lǐng)域語料中提取n-gram（n≤5）。

節(jié)省分?jǐn)?shù)計(jì)算：基于頻率和覆蓋范圍迭代選擇能最大減少token的n-gram。

替換策略：逐步替換原詞匯表中低頻token，避免冗余（如覆蓋重疊的n-gram）。

• 示例：在物理史領(lǐng)域，將“electrodynamics”合并為一個(gè)token，減少分段。

2.2 Tokenization修補(bǔ)算法

• 步驟：

原tokenizer處理：先用原tokenizer分詞。

分解被替換token：將被移除的token遞歸拆分為子token。

最長匹配合并：按最長優(yōu)先原則將子token合并為新的n-gram token。

• 優(yōu)勢：兼容任何tokenizer（如BPE），無需重新訓(xùn)練分詞器。

2.3 嵌入初始化（Exponential Initialization）

• 輸入嵌入：指數(shù)加權(quán)（末詞權(quán)重更高），因自回歸生成中后續(xù)處理依賴末詞。
• 輸出嵌入：指數(shù)衰減（首詞權(quán)重更高），因生成時(shí)需優(yōu)先預(yù)測完整n-gram。
• 公式：

其中，輸入用正號，輸出用負(fù)號。

2.4 輕量微調(diào)（Lightweight Fine-Tuning）

• 參數(shù)選擇：僅微調(diào)輸入/輸出嵌入層及首尾Transformer層，減少計(jì)算開銷。
• 訓(xùn)練成本：單GPU（RTX A6000）4小時(shí)完成，成本低廉。

3. 實(shí)驗(yàn)與結(jié)果

3.1 數(shù)據(jù)集與模型

• 數(shù)據(jù)集：M2D2中的地球科學(xué)（8.3M tokens）、物理史（8.3M tokens）、游戲與玩具（2.9M tokens）。
• 模型：Mistral-7B-v0.3和Llama-2-7B。

3.2 評估維度

• 效率：輸入/輸出token減少量。
• 生成質(zhì)量：LLM-as-Judge（Gemini-1.5-Pro）評分（邏輯、連貫性、語言可接受性）。
• 人工評估：9名標(biāo)注者對比生成結(jié)果。
• 領(lǐng)域問答：構(gòu)建開放書多選數(shù)據(jù)集（900題），評估知識保留。

3.3 主要結(jié)果

• 效率提升：平均減少25%的token使用（輸入22.9-27.9%，輸出24.9-35.8%）。
• 生成質(zhì)量：輕量微調(diào)后與原始模型相當(dāng)（如Mistral在物理史領(lǐng)域評分3.16 vs. 3.15）。
• 問答性能：AdaptiVocab+FT與Vanilla+FT準(zhǔn)確率相近（62% vs. 64%），驗(yàn)證知識保留。

消融實(shí)驗(yàn)

在n-gram長度測試中，n=3的詞匯片段替換效率最優(yōu)，長n-gram因出現(xiàn)頻率低導(dǎo)致增益受限；嵌入初始化方法中，指數(shù)加權(quán)策略（邏輯評分2.95）顯著優(yōu)于均值初始化（2.73）和隨機(jī)初始化，驗(yàn)證了其基于生成任務(wù)特性的權(quán)重設(shè)計(jì)合理性；微調(diào)策略對比顯示，僅調(diào)整輸入輸出嵌入層及首尾Transformer層的輕量微調(diào)效果最佳，而LoRA適配器因參數(shù)適配位置偏差表現(xiàn)較差（準(zhǔn)確率下降約5%）。

貢獻(xiàn)與創(chuàng)新

方法層面提出首個(gè)覆蓋詞匯修改、嵌入初始化與輕量微調(diào)的端到端詞匯適配框架，解決了傳統(tǒng)領(lǐng)域適應(yīng)方法忽視效率的問題；實(shí)踐層面通過單GPU低成本適配（4小時(shí)訓(xùn)練）降低部署門檻，適用于低資源場景；數(shù)據(jù)層面公開構(gòu)建的地球科學(xué)、物理史、游戲與玩具領(lǐng)域問答數(shù)據(jù)集（900題）填補(bǔ)了領(lǐng)域評測空白。

局限與未來方向

模型規(guī)模受限，僅驗(yàn)證7B參數(shù)模型（如Mistral、Llama-2-7B），未探索更大模型（如70B）的適配規(guī)律；領(lǐng)域泛化能力待驗(yàn)證，當(dāng)前實(shí)驗(yàn)局限于單一領(lǐng)域，跨領(lǐng)域遷移需進(jìn)一步測試；技術(shù)融合潛力未充分挖掘，未來可與模型剪枝（減少參數(shù)量）、知識蒸餾（提升推理速度）等壓縮技術(shù)結(jié)合，形成效率優(yōu)化組合方案。

原文鏈接：https://arxiv.org/pdf/2503.19693

本文轉(zhuǎn)載自????沐白AI筆記????，作者：楊沐白