A Simple Linear Patch Revives Layer-Pruned Large Language Models

文章主要内容总结

本文针对大语言模型（LLMs）层剪枝后的性能下降问题，提出了一种名为LINEARPATCH的即插即用技术。通过分析发现，剪枝接口处的激活幅度不匹配（尤其是层间通道幅度差异和特殊标记的离群值）是性能下降的主要原因。LINEARPATCH通过以下方式解决该问题：

1. 哈达玛变换（Hadamard Transformation）：抑制特殊标记（如[BOS]）的离群值，将激活值重新分布到所有通道，减少标记间的幅度方差。
2. 通道缩放（Channel-wise Scaling）：引入对角缩放参数矩阵，对齐剪枝前后的层间通道幅度。
3. 矩阵融合：将哈达玛变换和通道缩放融合为一个对称矩阵（LINEARPATCH），插入剪枝接口，仅需一次矩阵乘法，推理开销可忽略。
4. 内存高效的离线知识蒸馏：通过冻结模型其他参数，仅微调LINEARPATCH矩阵，使用5K样本和单卡30分钟即可进一步提升性能。

实验表明，在LLaMA-3-8B上剪枝5层时，LINEARPATCH保留了94.15%的原始性能，远超现有方法（如LLM-Streamline的90.84%）。结合知识蒸馏后，性能可提升至95.16%。

文章创新点

1. 首次揭示层剪枝性能下降的核心原因：剪枝接口处的层间激活幅度不匹配和特殊标记离群值问题。
2. 轻量化