大模型到底微调个啥？技术含量有多大？深度解析全面综述！_大模型微调

最新推荐文章于 2024-09-28 18:00:40 发布

福福很能吃

最新推荐文章于 2024-09-28 18:00:40 发布

阅读量1.1k

点赞数 16

文章标签：人工智能语言模型数据库 dubbo 媒体 agi

本文链接：https://blog.csdn.net/2401_85280106/article/details/140949169

版权

导读

参数有效微调（PEFT）通过在各种下游任务中有效地调整大型模型，提供了一种实用的解决方案。那么微调到底调了什么呢，或者说调试参数需不需要专业的技术人员调试。本文对此进行了详细概述，希望对大家有所帮助。

写在前面&笔者的个人理解

大型模型代表了多个应用领域的突破性进展，能够在各种任务中取得显著成就。然而，它们前所未有的规模带来了巨大的计算成本。这些模型通常由数十亿个参数组成，需要大量的计算资源才能执行。特别是，当为特定的下游任务定制它们时，特别是在受计算能力限制的硬件平台上，扩展的规模和计算需求带来了相当大的挑战。

参数有效微调（PEFT）通过在各种下游任务中有效地调整大型模型，提供了一种实用的解决方案。特别是，PEFT是指调整预先训练的大型模型的参数，使其适应特定任务或领域，同时最小化引入的额外参数或所需计算资源的数量的过程。当处理具有高参数计数的大型语言模型时，这种方法尤其重要，因为从头开始微调这些模型可能计算成本高昂且资源密集，在支持系统平台设计中提出了相当大的挑战。

在这项调查中，我们对各种PEFT算法进行了全面的研究，检查了它们的性能和计算开销。此外，我们还概述了使用不同PEFT算法开发的应用程序，并讨论了用于降低PEFT计算成本的常用技术。除了算法角度之外，我们还概述了各种现实世界中的系统设计，以研究与不同PEFT算法相关的实施成本。这项调查是研究人员了解PEFT算法及其系统实现的不可或缺的资源，为最新进展和实际应用提供了详细的见解。

PEFT分类

PEFT策略可大致分为四类：附加PEFT（第III-A节），通过注入新的可训练模块或参数来修改模型架构；选择性PEFT（第III-B节），使参数子集在微调期间可训练；重新参数化PEFT（第III-C节），它构建了用于训练的原始模型参数的（低维）重新参数化，然后等效地将其转换回用于推理；以及混合PEFT（第III-D节），它结合了不同PEFT方法的优势，建立了统一的PEFT模型。不同类型的PEFT算法概述如图4所示。

A. Additive PEFT

标准的完全微调需要大量的计算费用，也可能损害模型的泛化能力。为了缓解这个问题，一种广泛采用的方法是保持预先训练的主干不变，并且只引入在模型架构中战略性定位的最小数量的可训练参数。在针对特定下游任务进行微调时，仅更新这些附加模块或参数的权重，这导致存储、内存和计算资源需求的显著减少。如图4（a）所示，由于这些技术具有添加参数的特性，因此可以将其称为加性调整。接下来，我们将讨论几种流行的加法PEFT算法。

1）适配器：适配器方法包括在Transformer块中插入小型适配器层。

2）软提示：提示调整提供了一种额外的方法来细化模型，以通过微调提高性能。

3）其他加法方法：除了上述方法外，还出现了其他方法，在微调过程中战略性地加入了额外的参数。

B. Selective PEFT

如图4（b）所示，选择性PEFT不是通过添加更多参数来增加模型复杂性的附加PEFT，而是对现有参数的子集进行微调，以提高模型在下游任务中的性能。

差分修剪是在微调期间将可学习的二进制掩码应用于模型权重的代表性工作。为了实现参数效率，通过L0范数惩罚的可微近似来正则化掩模。PaFi只需选择具有最小绝对幅度的模型参数作为可训练参数。

然而，当实现PEFT时，上述非结构化参数掩蔽导致非零掩蔽的不均匀分布和硬件效率的降低。如图7所示，与随机应用的非结构化掩码不同，结构化掩码以规则模式组织参数掩码，因此可以提高训练过程中的计算和硬件效率。因此，对各种结构选择性PEFT技术进行了广泛的研究。Diff修剪提出了一种结构化的修剪策略，将权重参数划分为局部组，并战略性地将它们一起消除。类似地，FAR通过将Transformer块中的FFN的权重分组为节点来微调BERT模型，然后使用L1范数对学习器节点进行排序和选择。为了进一步降低存储器访问频率，他们还通过将学习器节点分组在一起来重新配置FFN。

C. Reparameterized PEFT

重新参数化表示通过转换模型的参数将模型的体系结构从一个等效地转换到另一个。在PEFT的背景下，这通常意味着在训练过程中构建一个低阶参数化来实现参数效率的目标。对于推理，可以将模型转换为其原始的权重参数化，确保推理速度不变。该程序如图4（c）所示。

早期的研究表明，常见的预训练模型表现出异常低的内在维度。换言之，可以找到对整个参数空间的微调有效的低维重新参数化。内在SAID是研究LLM微调过程中内在维度特征的主要工作。然而，最广泛认可的重新参数化技术是LoRA（低秩自适应），如图8（a）所示。

D. Hybrid PEFT

各种PEFT方法的疗效在不同的任务中可能存在显著差异。因此，许多研究旨在结合不同PEFT方法的优势，或通过分析这些方法之间的相似性来寻求建立统一的视角。例如，UniPELT将LoRA、前缀调整和适配器集成到每个Transformer块中。为了控制应激活哪些PEFT子模块，他们还引入了门控机制。该机制由三个小的FFN组成，每个FFN产生一个标量值，然后将其分别应用于LoRA、前缀和适配器矩阵。

EFFICIENT PEFT DESIGN

从计算的角度来看，处理延迟和峰值内存开销是需要考虑的关键因素。本节介绍LLM的一个关键特性，旨在平衡延迟和内存使用（第IV-a节）。在此之后，我们探索了开发高效PEFT方法以应对计算挑战的策略，包括PEFT修剪（第IV-B节）、PEFT量化（第IV-C节）和记忆高效PEFT技术（第IV-D节），每种技术都旨在提高模型性能，同时最大限度地减少资源消耗。值得注意的是，量化本质上解决了存储器开销问题。然而，鉴于其独特的特性，我们单独讨论了这些量化方法，而不是将它们纳入记忆有效PEFT部分。

A. KV-cache Management for PEFT Efficiency

LLM模型的核心是一个自回归Transformer模型，如图2所示。当我们观察自回归特性时，它成为设计推理系统的一个主要挑战，因为每次生成新的令牌时，整个LLM模型都必须将所有权重从不同的内存转移到图形处理器的内存中，这对单用户任务调度或多用户工作负载平衡非常不友好。服务于自回归范式的挑战性部分是，所有先前的序列都必须被缓存并保存以供下一次迭代，从先前序列生成的缓存激活被存储为键值缓存（KV缓存）。

KV缓存的存储将同时消耗内存空间和IO性能，导致工作负载内存受限且系统计算能力利用不足。以前的工作提出了一系列解决方案，如KV缓存控制管理或KV缓存压缩，以提高吞吐量或减少延迟。在设计PEFT方法时，考虑KV缓存的特性以补充其特性是至关重要的。例如，当在推理阶段应用软提示时，通过确保与提示相关的数据易于访问，有效地利用KV缓存进行这些额外的输入可以帮助加快响应时间。

B.Pruning Strategies for PEFT

修剪的加入可以大大提高PEFT方法的效率。特别是，AdapterDrop探索了在AdapterFusion中从较低的转换层和多任务适配器中删除适配器，这表明修剪可以在性能下降最小的情况下提高训练和推理效率。SparseAdapter研究了不同的修剪方法，发现高稀疏率（80%）可以优于标准适配器。此外，大稀疏配置增加了瓶颈尺寸，同时保持了恒定的参数预算（例如，以50%的稀疏度将尺寸翻倍），大大增强了模型的容量，从而提高了性能。

C. Quantization Strategies for PEFT

量化是提高计算效率和减少内存使用的另一种流行技术。例如，通过研究适配器的损失情况，BI Adapter发现适配器能够抵抗参数空间中的噪声。在此基础上，作者引入了一种基于聚类的量化方法。值得注意的是，它们证明了适配器的1位量化不仅最大限度地减少了存储需求，而且在所有精度设置中都实现了卓越的性能。PEQA（参数高效和量化感知自适应）使用两级流水线来实现参数高效和量化器感知微调。QA LoRA解决了QLoRA的另一个局限性，QLoRA在微调后难以保持其量化特性。在QLoRA中，量化的预训练权重（NF4）必须恢复到FP16，以在权重合并期间匹配LoRA权重精度（FP16）。相反，QA LoRA使用INT4量化，并引入分组运算符以在推理阶段实现量化，因此与QLoRA相比提高了效率和准确性。

D. Memory-efficient PEFT Methods

QA LoRA解决了QLoRA的另一个局限性，即在微调后难以保持其量化特性。在QLoRA中，量化的预训练权重（NF4）必须恢复到FP16，以在权重合并期间匹配LoRA权重精度（FP16）。相反，QA LoRA使用INT4量化，并引入分组运算符以在推理阶段实现量化，因此与QLoRA相比提高了效率和准确性。

为了提高内存效率，已经开发了各种技术来最小化在微调期间对整个LLM的缓存梯度的需要，从而减少内存使用。例如，Side-Tuning和LST(Ladder-Side Tuning)都引入了与主干模型并行的可学习网络分支。通过专门通过这个并行分支引导反向传播，它避免了存储主模型权重的梯度信息的需要，从而显著降低了训练期间的内存需求。类似地，Res Tuning将PEFT调谐器（例如，即时调谐、适配器）与主干模型分离。在分解的基础上，提出了一个名为Res-Mtuning Bypass的高效内存微调框架，该框架通过去除从解耦的调谐器到主干的数据流，生成与主干模型并行的旁路网络。

PEFT FOR DNNS OF OTHER APPLICATIONS

在第三节中，我们概述了四类PEFT方法及其改进。尽管如此，我们的讨论并没有完全扩展到传统架构（如LLM）或标准基准（如GLUE数据集）之外的PEFT技术的利用或适应，其中大多数讨论的PEFT方法都是应用的。因此，在本节中，我们将重点介绍和讨论利用PEFT策略执行各种下游任务的几项最具代表性的工作。我们并不打算在本节中涵盖所有PEFT应用场景。我们的目标是展示产品环境足迹在各个研究领域的重大影响，并展示如何优化和定制通用产品环境足迹方法，以提高特定模型或任务的性能。

通常，在将预先训练的主干模型适应专门的下游任务时会进行微调。为此，本节围绕各种模型架构组织讨论，这些架构包括：LLM、视觉Transformer（ViT）、视觉语言对齐模型（VLA）和扩散模型。在每个体系结构类别中，讨论是基于不同的下游任务进行进一步分类的。

A. PEFT for LLMs – Beyond the Basics

与NLP中的常见任务（如NLU和NLG）不同，PEFT技术在不同的场景中具有广泛的应用。PEFT已成功应用于常识性问答、多层次隐含话语关系识别、分布外检测、隐私保护、联合学习和社会偏见缓解等领域。在本节中，我们将更多地关注三个具有代表性的下游任务：视觉教学跟随、持续学习和上下文窗口扩展。

1）视觉指导：包括VL-BART、MiniGPT-4和LLaVA在内的几项研究成功地扩展了LLM的能力，LLM最初是为纯文本设计的，可以理解和生成对视觉输入的响应。这些增强的模型，即视觉指令跟随LLM，可以处理图像和文本以产生文本响应，这些文本响应可以在图像字幕和视觉问答（VQA）等任务上进行基准测试。然而，这些方法对整个LLM进行微调以学习视觉表示，这在时间和内存方面都是低效的。因此，将PEFT技术应用于LLM后视觉教学的微调是很自然的。

2）持续学习（CL）：CL旨在在一个模型中学习一系列新任务，在对话系统、信息提取系统和问答系统等场景中有广泛应用。CL的主要挑战是灾难性遗忘。一种流行的做法，称为基于体系结构的方法，通过在模型中为每个新任务维护特定于任务的参数来处理CL。因此，将PEFT方法用于CL任务是很自然的。

3）上下文窗口扩展：LLM通常使用预定义的上下文大小进行训练。例如，LLaMA和LLaMA2分别具有2048和4096个令牌的预定义上下文大小。位置编码RoPE具有弱的外推特性，这意味着在输入长度超过预定义上下文长度的情况下，性能明显下降。为了解决这个问题，一个简单的解决方案是将预先训练的LLM微调到更长的上下文。然而，这会随着上下文大小的二次方增加计算成本，从而使内存和处理资源紧张。

B. PEFT for ViTs

在最近的计算机视觉社区中，ViT已经成为一种强大的骨干模型。在ViT模型中，图像被视为固定大小的补丁序列，类似于LLM如何使用离散标记。这些补丁经过线性嵌入，然后接收位置编码。随后，它们通过标准的Transformer编码器进行处理。ViT的训练可以是监督的或自监督的，并且当使用更多数据和更大的模型大小进行训练时，ViT可以实现卓越的性能。然而，这种规模的扩大不可避免地会增加培训和存储成本。因此，与LLM类似，PEFT广泛应用于各种下游任务，如密集预测、连续学习、深度度量学习。在这里，我们重点关注两个典型的任务来展示PEFT的参与：图像分类和视频复原。

1）图像分类：在目标视觉数据集上进行图像分类是一种非常普遍的需求，具有广泛的应用，而预训练-微调范式是一种广泛的策略。多种方法利用PEFT技术实现有效的模型调整。

2）视频识别：一些工作考虑了更具挑战性的适应问题，即将ViT转移到具有更大领域差距的下游任务。例如，ST适配器（时空适配器）和AIM都将适配器层插入到预训练的ViT块中。他们的主要目标是对时空信息进行建模，从而使ViT能够有效地从图像模型适应视频任务。值得注意的是，这两种方法的性能都超过了传统的全模型微调方法。

C. PEFT for VLAs

视觉语言对齐模型（VLA），如CLIP、ALIGN、DeCLIP和FLAVA，旨在学习可以在统一表示空间内对齐的良好图像和文本特征。每个VLA通常由提取各自特征的独立图像和文本编码器组成。在这些模型中，对比学习被用来有效地对齐图像和文本特征。微调被用来提高VLA在特定数据集或任务中的性能，但对整个模型的微调是计算密集型的。

1）开放式词汇图像分类：在开放式词汇的图像分类中，早期的作品为每个类别设计特定类别的提示，例如class的照片，并根据图像与这些文本描述的相似性对图像进行排名。CoOp（上下文优化）用可学习向量替换手工制作的文本提示，同时在训练期间保留整个VLA修复。CoCoOp（条件上下文优化）通过解决CoOp在推广到看不见的类方面的局限性，建立在这一基础上。

在另一个方向上，一些研究探讨了适配器在VLA中的使用。例如，CLIP适配器在CLIP的文本和视觉编码器之后集成了残余样式适配器。因此，与CoOp和CoCoOp不同，CLIP Adapter避免了通过CLIP编码器的梯度反向传播，从而降低了训练内存和时间方面的计算要求。尖端适配器采用与CLIP适配器相同的设计。与CLIP适配器不同的是，适配器的权重是以无训练的方式从查询密钥缓存模型中获得的，该模型是以非参数方式从最少监督构建的。因此，与CLIP-Adapter的SGD训练过程相比，Tip-Adapter表现出了极大的效率。

D. PEFT for Diffusion Models

扩散模型是一类生成模型，通过渐进去噪过程将随机噪声转换为结构化输出，学习生成数据。在训练过程中，扩散模型学习使用去噪网络来反转添加到训练数据中的噪声，而在推理中，它们从噪声开始，使用去噪网迭代创建与训练示例相同分布的数据。扩散模型有各种应用，而最值得注意的是稳定扩散，它以其直接从文本描述生成连贯和上下文相关图像的强大能力弥合了文本和图像之间的差距。许多研究利用PEFT技术将预先训练的扩散模型用于下游任务，包括加速采样速度、文本到视频的自适应、文本到3D的自适应等。本节主要关注两种场景：在仅基于文本的条件之外集成额外的输入模式，以及基于预先训练的传播模型定制内容生成。

1）附加输入控制：为了在保留预先训练的模型中的广泛知识的同时纳入附加输入模式（如布局、关键点），GLIGEN引入了一种新的方法，该方法保持原始模型的权重不变，并集成新的、可训练的门控Transformer，以接受新的接地输入。所得到的模型不仅可以准确地表示接地条件，而且可以生成高质量的图像。值得注意的是，该模型在推理过程中也能很好地推广到看不见的物体。

2）自定义生成：文本到图像扩散模型的有效性受到用户通过文本描述阐明所需目标的能力的限制。例如，很难描述一辆创新玩具车的精确特征，而这在大型模型训练中是不会遇到的。因此，定制生成的目标是使模型能够从用户提供的图像的最小集合中掌握新概念。

SYSTEM DESIGN CHALLENGE FOR PEFT

A. System design for PEFT

在本节中，我们首先简要介绍基于云的PEFT系统。接下来，我们介绍了用于评估系统性能的相应指标。此外，我们还提出了三种潜在的利用场景，以说明系统设计中的挑战。

1）集中式PEFT查询服务：云提供商最近推出了一系列LLM服务，旨在通过应用程序编程接口（API）提供用户应用程序。这些API有助于将许多ML功能无缝集成到应用程序中。在通过API接收到针对一个特定下游任务的一个查询之后，基于云的服务器使用一个特色LLM模型来处理该查询。在这种情况下，所提出的用于处理多个PEFT查询的云解决方案涉及仅存储LLM的单个副本和多个PETT模块。此单个副本维护多个PEFT模块分支，每个分支与不同的PEFT查询相关联。最先进系统的案例研究可在第VI-C节中找到。图10（b）说明了多查询PEFT推理的计算模式，其中打包PEFT查询根据其截止日期和当前系统条件进行调度和执行。

2）服务指标：为了评估集中式PEFT查询服务的系统性能，我们提出了一组评估指标。

系统吞吐量：将PEFT查询视为内部任务和内部任务，我们使用每秒令牌来测量系统吞吐量。
内存占用：查询服务期间的运行时内存消耗，内存利用率来自模型参数和KV缓存，如第IV-A节所述。
准确性性能：真实世界的查询通常具有不同的上下文长度，具有变化长度的性能作为性能基准。
服务质量：查询与延迟要求相关，截止日期缺失率被视为另一个基准。

3） PEFT的分布式系统：然而，在当代LLM模型中，预先训练的模型并不完全支持个性化任务，因此，需要使用前面章节中提到的方法进行额外的微调。然而，当我们考虑将数据集提供给云提供商时，会引起一个很大的担忧，因为这些数据集是个性化的。

对于这个问题，我们假设我们的计算遵循模型集中式和PEFT分布式范式。骨干LLM存储在云设备中，而个人PEFT权重以及数据集存储在用户自己的设备中。如图10（a）所示。

4）分布式度量：为了评估所提出方法的有效性，我们建立了一组评估度量。为了进行此分析，在不失一般性的情况下，我们采用语言模型作为度量定义的基础。

精度性能：微调模型在下游任务中的性能。
计算成本：在边缘设备上进行正向和反向传播操作期间的计算成本。
通信成本：指边缘设备和云之间传输中间数据时所涉及的数据量。

5）多产品环境足迹培训：与多个产品环境足迹服务不同，使用多个定制产品环境足迹进行调整总是涉及不同的骨干LLM。当考虑在各种下游任务中使用LLM时，预先训练的模型通常表现出较差的性能。使LLM适应不同任务的一种流行方法涉及精心调整的PEFT。然而，同时调整多个PEFT可能会带来相当大的挑战。如何管理内存梯度和模型权重存储，以及如何设计用于批处理PEFT训练的高效内核等挑战仍未解决。产品环境足迹将根据其产品环境足迹算法和骨干LLM模型进行分类。设计挑战涉及如何同时将多个具有相同LLM主干和多个不同LLM主干的PEFT合并。

B. Parallel PEFT Training Frameworks

a）设计挑战：与旨在适应灵活的多PEFT算法的PetS系统不同，SLoRA和Punica仅专注于促进各种任务的多个LoRA块。设计多个产品环境足迹培训系统主要面临两个方面的关键挑战方面：

具有相同LLM主干的多个PEFT模型的高效并发执行。
设计一个高效的系统，用于不同LLM骨干网的多租户服务。

b）高效的内核设计：Punica解决了第一个挑战，将现有的矩阵乘法用于主干计算，并引入了一种新的CUDA内核——分段聚集矩阵矢量乘法（SGMV），用于以批处理的方式将PEFT附加项添加到主干计算中。该内核对批处理中不同请求的特征权重相乘进行并行化，并将对应于同一PEFT模型的请求分组，以增加操作强度并使用GPU张量核心进行加速。

第二个挑战超出了计算成本，设计一种高效的系统架构是另一个重大挑战，该架构可以在尽可能小的GPU集上有效地服务于多租户PEFT模型工作负载，同时占用最少的GPU资源。Punica通过将用户请求调度到已经服务或训练PEFT模型的活动GPU来解决这一问题，从而提高GPU利用率。对于较旧的请求，Punica会定期迁移它们以整合工作负载，从而为新请求释放GPU资源。

c）多租户PEFT设计：为Punica框架中的多租户PEVT模型设计一个高效的系统，重点是解决几个关键挑战，以最大限度地提高硬件利用率并最大限度地减少资源消耗。该系统旨在将多租户LoRA服务工作负载整合到尽可能小的GPU集上。这种整合是通过对已经在服务或训练LoRA模型的活动GPU的用户请求进行战略调度来实现的，从而提高GPU利用率。对于较旧的请求，Punica会定期迁移它们以进一步整合工作负载，从而为新请求释放GPU资源。它结合了LoRA模型权重的按需加载，只引入了毫秒级的延迟。该功能为Punica提供了将用户请求动态合并到一小组GPU的灵活性，而不受已经在这些GPU上运行的特定LoRA模型的约束。除此之外，Punica认为解码阶段是模型服务成本的主要因素，其设计主要侧重于优化解码阶段的性能。模型服务的其他方面利用直接的技术，例如按需加载LoRA模型权重，来有效地管理资源利用率。

结论和未来方向

在当前由大型模型和大型数据集主导的时代，PEFT是一种非常有吸引力的方法，可以有效地使模型适应下游任务。这项技术通过解决传统的全模型微调带来的重大挑战而获得吸引力，这种微调通常会给普通用户带来难以维持的计算和数据需求。本调查对PEFT的最新进展进行了系统回顾，涵盖算法开发、计算和效率方面、应用和系统部署。它提供了一个全面的分类和解释，作为一个很好的指导和知识库，使不同级别和学科的读者能够迅速掌握PEFT的核心概念。

为了进一步研究PEFT，我们从算法和系统的角度提出了一系列可能的方向，希望能激励更多的研究人员在这些领域进行进一步的研究。

A. Simplify hyperparameter tuning

PEFT的有效性通常对其超参数敏感，如适配器的瓶颈尺寸r、LoRA的等级和不同附加PEFT层的位置。手动调整这些超参数将花费大量精力。因此，未来的工作可以集中在开发不太依赖手动调整这些参数的方法，或者自动找到最佳超参数设置。一些研究已经开始解决这个问题，但需要更简单有效的解决方案来优化这些超参数。

B. Establish a unified benchmark

尽管存在像HuggingFace的PEFT和AdapterHub这样的库，但仍然缺乏一个全面的PEFT基准。这种差距阻碍了公平比较不同PEFT方法的性能和效率的能力。一个被广泛接受的、类似于物体检测的MMDetection的最新基准将使研究人员能够根据一组标准的任务和指标来验证他们的方法，从而促进社区内的创新和合作。

C. Enhance training efficiency

PEFT的假定参数效率并不总是与训练期间的计算和内存节省一致。考虑到可训练参数在预训练模型的体系结构中相互交织，在微调过程中通常需要计算和存储整个模型的梯度。这种监督要求重新思考什么是效率。如第四节所述，潜在的解决方案在于模型压缩技术的集成，如修剪和量化，以及专门为优化PEFT调整期间的内存而设计的创新。进一步研究提高PEFT方法的计算效率势在必行。

D. Explore scaling laws

最初为较小的Transformer模型开发的PEFT方法的设计和有效性不一定与较大的模型相适应。随着基础模型规模的增加，识别和调整保持有效的产品环境足迹战略至关重要。这一探索将有助于根据大型模型架构的发展趋势定制PEFT方法。

E. Serve more models and tasks

大型基础模型在各个领域的兴起为PEFT提供了新的机会。设计适合模型独特特征的PEFT方法，如Sora、Mamba和LVM，可以释放新的应用场景和机会。

F. Enhancing data privacy

信任集中式系统来服务或微调个性化PEFT模块是系统开发人员的另一个问题。侧通道攻击者已成功部署，通过劫持中间结果来重建用户的数据。未来值得信赖的LLM系统设计的一个视角涉及为个人数据以及中间训练和推理结果开发加密协议。

G. PEFT with model compression

模型压缩是使LLM在资源有限的设备上可执行的最有效方法之一。然而，模型压缩技术对在硬件上运行的PEFT算法性能的影响仍然是另一个系统性挑战。量化和修剪等常见的压缩技术需要专用的硬件平台来加快过程，而为压缩模型构建这样的硬件平台是研究人员的另一个方向。

大模型岗位需求

大模型时代，企业对人才的需求变了，AIGC相关岗位人才难求，薪资持续走高，AI运营薪资平均值约18457元，AI工程师薪资平均值约37336元，大模型算法薪资平均值约39607元。
在这里插入图片描述

掌握大模型技术你还能拥有更多可能性：

• 成为一名全栈大模型工程师，包括Prompt，LangChain，LoRA等技术开发、运营、产品等方向全栈工程；

• 能够拥有模型二次训练和微调能力，带领大家完成智能对话、文生图等热门应用；

• 薪资上浮10%-20%，覆盖更多高薪岗位，这是一个高需求、高待遇的热门方向和领域；

• 更优质的项目可以为未来创新创业提供基石。

可能大家都想学习AI大模型技术，也想通过这项技能真正达到升职加薪，就业或是副业的目的，但是不知道该如何开始学习，因为网上的资料太多太杂乱了，如果不能系统的学习就相当于是白学。为了让大家少走弯路，少碰壁，这里我直接把全套AI技术和大模型入门资料、操作变现玩法都打包整理好，希望能够真正帮助到大家。

-END-