词汇表大小对大语言模型的影响

大型语言模型（LLMs）中词汇量大小对于模型扩展规律的有哪些影响呢，之前的研究往往集中于模型参数数量和训练数据量，而忽略了词汇表大小的角色。论文中研究人员探索了三种评估最优词汇量的方法：基于计算力的IsoFLOPs分析、导数估算及损失函数参数拟合，这三种方法均表明，最优词汇量取决于计算资源，而且大模型应匹配大词汇量。现有的许多LLMs所使用的词汇量过小，例如，Llama2-70B模型的理想词汇量应为216K，远超其实际的32K。通过实验验证，当模型在不同计算预算下采用预测的最优词汇量时，其下游任务的表现普遍优于常用词汇量大小。例如，将词汇量从标准的32K增加到43K，就能在同等的计算量下，模型在ARC-Challenge上的性能从29.1提升至32.0。

1 三种预测计算最优词汇量的方法

1. 通过IsoFLOPs分析估计幂律：

（1）定义模型组：研究者定义了六个模型组，其中非词汇参数数量Nnv从3300万到11亿3千万不等。在每个组内，只改变词汇量V，从4000到96000不等，所有模型都在相同的FLOPs预算下进行评估。

（2）评估与选择：使用固定的数据集评估模型的归一化损失。从每种FLOPs预算下选取最小损失的点，这些点代表了计算最优的参数分配。

（3）假设与拟合：基于先前的研究，假设最优的词汇参数Nv与FLOPsC满足幂律关系，就像非词汇