BitNet B1.58——模型参数用三个值表示，精度优于 Llama

介绍

论文地址：https://github.com/microsoft/bitblas
源码地址：https://github.com/microsoft/bitblas
与大型语言模型（LLMs）相比，小型语言模型（SLMs）正逐渐成为人们关注的焦点。

大规模语言模型在大量模型参数和大型数据集的基础上进行训练，其回答问题的能力将公众对人工智能的期望提升到了一个新的高度。然而，要对大规模语言模型进行训练和推理，需要超高规格的计算机。因此，大多数人通过云服务器将 LLM 作为一项服务使用，而不是在内部（在自己的建筑物中计算）或在边缘（在智能手机和其他设备中计算）使用。

对于企业来说，通过云服务器使用服务需要采取措施应对安全风险，如账户管理、预算应用和使用此类服务的信息泄露。这是一大绊脚石，尤其是对于希望利用自身大规模数据的公司而言。

小规模语言模型在消除这些桎梏，使每个人都能更容易地受益于人工智能方面备受关注。与大规模语言模型相比，小规模语言模型可以在计算、内存使用和功耗方面降低硬件要求标准。

因此，小规模语言模型可以降低对硬件的要求，从而从人工智能中获益，并有望促进其在内部和边缘的使用。这是加速人工智能民主化的一个趋势。

本文介绍的 1 位 LLM（准确地说，是 1.58 位 LLM；1.58 位 LLM 是作为 1 位 LLM 的后续提出的）是更具挑战性的小规模语言模型之一。

在大规模语言建模中，提高硬件要求的是模型参数的数量。更具体地说，问题在于模型参数数量 x 模型参数精度。

模型参数精度是指一个数字所表示的级数。例如，三位数的圆周率是 3.14，但一位数的圆周率是 3。三位数的圆周率是从 9.99 到 0.00，分 1000 步；一位数的圆周率是从 0 到 9，分 10 步，这意味着圆周率的精度约为其精度的 1/100。这可视为数值精度的约 1/100。

在这里，你如何比较一位数和三位数的计算量、内存使用量和耗电量？位数较少的情况，即把圆周率看作 3，更容易计算和记忆。你还可以感觉到，计算时消耗的热量更少。

在计算机世界中，模型参数的精确度是用比特来表示的，比特是二进制的位数，因为用二进制数来思考问题是最基本的，在二进制数中，位数达到 2 就向前推进，而不是用十进制数来思考问题，在十进制数中，位数达到 10 就向前推进。

本文使用-1、0 和 1 三个数值来表示模型参数。这仅为 1.58 位，而迄今为止一般模型参数精度为 16 位（例如，十进制中的 1000 是 10 的三次幂，该值越大，可考虑的位数就越多。同样，3 到 2 的幂是多少？可以换算成 3 的值相当于二进制的几位数，答案是 1.58）。

在这样的模型参数精度下，人们担心 LLM 的响应精度会不会受到影响，但出乎意料的是，结果表明其响应精度与 LLM 相当，而且根据模型参数的数量，三个参数值的响应精度反而更好。

在尽可能保持 LLM 响应精度的同时降低模型参数精度的技术被称为量化技术，并已得到研究。

接下来，我们将详细介绍本文提出的方法 BitNet b1.58，以及评估结果。

BitNet b1.58 的优势

图 1 显示了拟议的 BitNet b1.58 与传统 LLM 的性价比对比。

图 1：BitNet b1.58 的成本性能比较

BitNet b1.58 的特点是，模型参数（即所谓的神经网络权重）可以是三种值之一：-1、0 或 1，如图 1 左侧 W 所示。

传统的 LLM 权重以 16 位浮点数表示。浮点数以（尾数部分）x（指数部分）幂的形式表示数值，如 2.961 x 10-1。它为尾数部分、指数部分和符号各分配 16 位，可以表示小数，如图 1 右侧变压器 LLM 中的 W 所示。

基本上，计算机配备的算术单元是逐位计算的，每个位都要计算，因此位数越多，计算成本就越高，存储位值的内存成本也会增加。如果准备了大量算术单元以实现并行计算，计算时间就会缩短，但能耗却会增加。

如果模型参数数量较多，在使用模型参数值进行推理时，从内存中传输大量模型参数值信息所需的时间本身就是推理时间（LLM 响应输入所需的时间）增加的一个因素。

因此，图 1 的横轴表明，通过将模型参数精度降低到三个值，BitNet b1.58可以比Transformer LLM降低成本。

在性能方面，BitNet b1.58 声称与前一版本相当。

因此，如果在性能和成本这两个轴上与传统 LLM 进行比较，可以认为它们在任何一个轴上都不比传统 LLM 差，但至少在一个轴上优于传统 LLM，这里指的是成本（帕累托改进）。

BitNet b1.58 所需的操作如图 2 所示。

图 2：BitNet b1.58 所需的操作

传统上，需要对模型参数和输入进行乘法（Multiplication）和加法（Addition）运算。

相比之下，BitNet b1.58 只需要加法。这意味着需要更简单的计算。

传统的 GPU 可以加速产生大量乘法和加法或所谓乘积之和的矩阵运算，而新的 BitNet b1.58 应该可以加速加法运算（以及在输入为 0 时设置为 0、在输入为 -1 时设置为负号、在输入为 1 时设置为正号的运算）。

BitNet b1.58 技术点

BitNet b1.58 基于 BitNet。

量化方案有两种：一种是在学习后降低模型参数的精确度，另一种是在学习时意识到要降低模型参数的精确度。

前者将降低模型参数的精度作为一个后处理步骤，其方便之处在于易于应用于现有的模型，但缺点是可能会降低模型的性能。

据说后者可以减少模型的性能下降，但其缺点是增加了训练的计算成本，从而降低了模型参数的准确性。

BitNet 是以后者量化为目的的学习图像。

如果在学习过程中中断了量化过程，例如将连续值舍入为离散值，通常会导致不连续变换，而这种变换是不可分的。

在 BitNet 中，使用的是现有的直通法，即通过传播无微分函数，传播结果的经验法，并在可以计算导数的地方计算导数。使用的是误差反向传播的经验方法。

这些流程在 BitNet b1.58 中也得到了延续。

BitNet 和 BitNet b1.58（这次）的区别在于模型参数值是用 -1,1 的二进制值表示，还是用 -1,0,1 的三进制值表示。

BitNet b1.58保留了 BitNet 的优势，但提供了 BitNet 的额外优势。

-添加 0 以及 1 和 1 是理所当然的，但这样做可以提高模型参数值的表征精度。

加入 0 的另一个意义在于可以进行特征筛选。

在机器学习中，加入一般不必要的特征会对模型的预测性能产生显著的负面影响；加入 0 会直接减少不必要特征的数量。

传统的 BitNet 量化方法

BitNet 采用传统的二进制值 -1 和 1，如果模型参数值大于或等于 0，则转换为 1；如果小于 0，则转换为-1。然而，当前模型参数值的中心可以说是模型参数值的平均值，因此如果中心偏离 0，转换就会出现偏差，误差也会很大。

因此，在减去模型参数值的平均值（经过零点调整后）后，如果大于 0 则转换为1，如果小于 0 则转换为-1。

对于激活函数的量化，[-Q, Q]是通过除以输入矩阵元素的最大绝对值，将数值范围设置为 [-1,1] 并乘以 Q（2 的 n-1 次方，取决于量化到多少位）得到的。如果激活函数是非对称的，例如假设是 Relu 函数，那么 0 就是阈值，因此通过减去最小值，然后应用相同的过程，范围就是 [0,Q]。

在神经网络中，输入与模型参数的乘积之和被计算出来，然后将激活函数应用于输出。在极端情况下，激活函数决定网络中的某个神经元是否会启动，是 0 还是 1，超过阈值的神经元被判定为 1，而未超过阈值的神经元被判定为 0。

因此，我们认为应通过注意阈值来调整范围，因为如果阈值处理不当，可能会出现只输出 0 的极端输出等问题。

拟议的 BitNet 量化方法

建议将模型参数值除以模型参数值的绝对平均值（缩放过程），将该值四舍五入为整数（舍入过程），如果小于-1，则转换为-1，如果大于 1，则转换为 1（剪切过程）。

举例来说，可以按照激活函数的传统量化方法，用最大的绝对值除以最大的绝对值，但如果只有一个值的绝对值非常大，而刻度又是基于这个值，那么只有一个值的绝对值会很大，其他值将被较大的值除以，结果是（虽然有三个值-1、0 和 1可以想象，（三个值中的）一个值会停留在 0 左右。

据设想，BitNet b1.58 采用的方法是，如果数值高于平均值，则按平均值缩放，使其为 +1或 -1，如果低于平均值，则为 0，而超过 -1和 1 的数值则转换为 -1或 1，以较接近者为准。

激活函数的量化与之前相同。不过，过去对于 ReLu 来说，最小值被减去，值的范围被转换为 [0，Q]，但为了简化过程，最小值减去过程不包括在内，值的范围始终转换为 [-Q，Q]。目前还不清楚，为什么这次为了简单起见，可以省略零点调整过程，如减去最小值。也许在尝试时并没有出现这样的问题。

评估结果

内存使用量、响应时间和预测精度

图 3 显示了 LLaMA LLM 和 Meta 开发的 BitNet b1.58 LLM 的内存使用量、响应速度和预测精度。

图中显示了模型参数（Size）为 7 亿（7 亿）、13亿（13亿）、30 亿（30 亿）和 39 亿（39 亿）时的 GPU 内存大小（Memory）、响应速度（Latency）和预测误差（PPL）。如表中箭头所示，任何指标都是越小越好。

图 3.按模型参数数量计算的内存（GPU 内存大小）、延迟（响应时间）和 PPL（预测误差）。

与 LLaMA LLM 相比，BitNet 的 GPU 内存大小减少了 2.6~3.6 倍，响应时间缩短了 1.23~2.7 倍，预测误差几乎相同。

模型参数数越多，内存使用量、响应时间和预测误差往往越小，当模型参数数为 3B 和 3.9B 时，GPU 内存使用量、响应时间和预测误差均优于 LLaMA LLM。

能耗

图 4 显示了使用 512 个令牌输入的 LLaMA 和 BitNet b1.58 的能源成本比较。

BitNet b1.58 的能源成本比 LLaMA 低 19-41 倍，模型参数数量（模型大小）更多，能耗（能源）更低。

图 4.模型大小（模型参数数量）和能量（能耗）

总结

这篇文章介绍了 BitNet b1.58。

随着模型参数数量的增加，传统的 LLM 可以提高预测性能，但内存使用量、响应时间和能耗也会显著增加。

传统的 LLM 将单个模型参数值表示为 16 位浮点数，因此需要存储模型参数个数 x 16 位信息，模型参数越多，使用的内存就越多，传输这些信息所需的时间就越长，响应时间也就越长，需要进行的计算也就越多，因此能耗也会增加。

为了缓解这一问题，我们引入了一种技术（量化），在尽可能保持 LLM 响应精度的前提下，将模型参数值的精度从 16 位浮点数降低到 1.58 位（-1,0,1 三个值）。BitNet 减少到-1,1 这两个值的方案早已提出，但通过在-1,1 的基础上增加 0，可以获得过滤效果，缩小特征范围，同时保持大多数计算只需加法即可完成的优势，并可实现内存使用量、响应时间和能耗的小幅降低。可以提高 LLM 的预测精度，而只需牺牲少量内存使用、响应时间和能耗。根据模型参数的数量，结果不仅显示出预测精度的小幅下降，而且还显示出相反方向的提高。

与 LLaMA 的比较表明，预测性能可以比以前更好，同时还能减少内存使用量、响应时间和能耗。

论文指出，所提出的方法只能将大部分计算加起来，这意味着可以通过创建不同于 GPU 的新硬晶圆来实现进一步的高速处理和降低能耗。

英伟达的股票目前正吸引着不同寻常的关注，但如果硬件能够有别于 GPU，就有可能颠覆英伟达的垄断地位。也就是说，论文中使用 GPU 对 BitNet b1.58 进行了评估，激活函数是 8 位的，如下所述，因此在所有处理过程中不一定都是 3 值。如果所有处理过程都只有加法，就有可能从根本上改变硬件，但如果仍是乘法，就不太可能有大的改变。

此外，制造商可能乐于被告知有更适合英伟达™（NVIDIA®）的新硬件，因为这给了他们利用英伟达™（NVIDIA®）优势的机会，但我认为普通用户更愿意被告知他们可以使用通用 CPU 或更便宜的硬件进行更快速的计算，而不是被迫购买新硬件。我认为，如果告诉他们可以用通用 CPU 或更便宜的硬件进行高速计算，他们会更高兴，而不是被迫购买新硬件。