大模型，进入剪枝蒸馏时代！

今天聊一个有意思的话题：如何把大模型“压缩”到更小，同时还能保持不错的性能？具体来说，这篇文章的目标是通过剪枝（pruning）和蒸馏（distillation），把Llama 3.1 8B和Mistral NeMo 12B分别压缩到4B和8B参数。结果相当惊艳，值得花时间拆解。

先看剪枝的套路：先给每个层、每个神经元、每个注意力头和嵌入维度算一个“重要性分数”，然后排个名，把不重要的部分砍掉。那么，这个重要性怎么衡量？文章用了三个指标：LM验证损失、块重要性（Block Importance，简称BI）和下游任务准确率。BI其实就是一个衡量输入输出余弦距离的策略，之前也有论文提过，不难理解。前两个指标好懂，第三个就是看剪掉后对实际任务的准确率影响多大。

有个细节值得注意：开源模型往往不知道训练数据长什么样，所以作者在剪枝和蒸馏之前，先对教师模型做了一步微调，称为

，用了127B tokens的额外数据。这一步能有效减少剪枝和蒸馏带来的偏差。

至于蒸馏过程，只在教师和学生模型的logits上使用前向KL散度损失，没有搞复杂的多阶段蒸馏，够直接。那么，加不加teacher correction有什么区别？实验表明，加上之后，无论是收敛速度还是最终性能，都有明显提升。

另一个有趣的对比是宽度剪枝 vs 深度剪枝。两种变体参数数量相同，但宽度剪枝（砍神经元/头）的初始损失更低，并且始终优于深度剪枝（砍层）。这是个非常实用的经验：与其砍层数，不如把每层做瘦身。

如果拿剪枝后的小模型和随机初始化的小模型比，剪枝起点的损失明显更低——因为剪枝保留了原有模型的部分知识。另外，基于蒸馏的训练方法也显著优于传统训练方式，而且需要的训练tokens更少。下图中红线和绿线可以清楚看到这一点。

还有一个重要发现：teacher correction 不会影响到剪枝时的重要性排序，但它结合蒸馏却能有效弥补剪枝带来的性能差距。换句话说，teacher correction 的价值不在于重新排重要性，而在于让后续蒸馏有一个更好的起点。

关于层的重要性分布：开头和结尾的层是最重要的。有趣的是，如果一定要剪掉层，删除不连续的层（而不是连续地砍掉中间几层）反而能得到更好的LM验证损失。但这个结论在下游任务准确率上不一定稳定成立——也就是说，纯语言模型损失和实际任务效果之间存在一定脱节。

最后总结一下：剪枝+蒸馏的组合拳，在参数量大幅压缩的情况下，依然能交出相当漂亮的成绩单。核心要点就这些了。