Chain-of-Model Learning for Language Model

TL;DR

CoLM以链式表示实现渐进扩展与弹性推理,CoLM-Air在1M上下文预填充中最高加速3倍。

cs.CL 🔴 高级 2025-05-17 30 次浏览
Kaitao Song Xiaohua Wang Xu Tan Huiqiang Jiang Chengruidong Zhang Yongliang Shen Cen LU Zihao Li Zifan Song Caihua Shan Yansen Wang Kan Ren Xiaoqing Zheng Tao Qin Yuqing Yang Dongsheng Li Lili Qiu
Chain-of-Model CoLM 弹性推理 KV共享 渐进扩展

核心发现

方法论

论文提出Chain-of-Representation(CoR),将隐藏向量切分为多个链;第i条输出链只能依赖输入链1至i。Chain-of-Layer(CoL)把该因果约束施加到Linear、Attention、FFN和Normalization,进而形成Chain-of-Model(CoM)。CoLM将CoM嵌入Transformer,CoLM-Air进一步在第一链计算Key/Value并跨链共享。

关键结果

  • 在SlimPajama、约200B训练token上,1.11B参数CoLM(C={16,16},维度2560)平均准确率45.27,高于1.10B标准基线的45.11。
  • Chain Expansion仅训练约8B token后,Tiny-LLaMA平均分由57.43升至58.35,LLaMA-3.2-1B由60.39升至60.53,同时冻结第一链以保留原知识。
  • CoLM-Air处理1M token时,C={16,16}和C={8,8,8,8}相对同规模LLaMA预填充分别约快1.6倍和3.0倍;结合MInference最高达27倍加速。

研究意义

该工作把模型规模从静态超参数转化为可逐步增加、可按需激活的结构属性,缓解大模型训练必须从头开始以及部署只能固定规模的问题。对工业系统而言,同一模型可提供小、中、大多个推理档位;对研究而言,CoR、CoL和CoM提供了分析多尺度表示及持续扩展的新抽象。其价值尤其体现在长上下文预填充、资源受限部署和增量训练。

技术贡献

核心贡献是隐藏维度层面的因果稀疏连接:第i条链的参数只处理前i条输入链。Chain-of-Linear将权重分块为Wi,计算yi=Wi x≤i+bi;Attention按链分配头数,要求链比例之和等于总头数;多链交叉熵为各尺度分别训练分类头。CoLM-Air把KV限制在第一链并按GQA重复,从而支持无重新计算的模型切换和更快预填充。

新颖性

与Dense模型固定激活全部参数、MoE依赖路由不同,CoLM在每层表示中显式编码尺度因果关系。论文声称CoLM-Air首次实现不同规模语言模型之间共享既有KV并无额外重算地切换;其根本创新不是单纯裁剪,而是让大模型前缀包含可独立运行的小模型。

局限性

  • CoLM-Air只在第一链计算KV,虽然显著提高灵活性和预填充速度,却会损失精度;例如1.11B配置平均分由CoLM的45.27降至44.80。
  • 实验主要覆盖50K步、约200B token和A100集群,模型规模仍约1B参数;对更大模型、长周期训练及真实在线解码成本的结论尚不充分。
  • 多链交叉熵会增加训练开销,论文预训练阶段仍使用普通交叉熵,随后才进行多尺度微调。

未来方向

后续应在更大规模和更长训练中验证链扩展的稳定性,研究非均匀链宽度、动态链选择及更高效稀疏Kernel。还需系统比较Chain Tuning、KV共享与GQA/MQA,并评估不同任务、量化、LoRA和真实服务负载下的质量—延迟—成本权衡。

AI 总览摘要

大语言模型通常通过扩大Transformer参数获得能力,但这种路线带来两个结构性问题:扩展模型往往需要从头训练,部署时又只能固定激活一个规模。论文提出Chain-of-Model(CoM),试图让一个模型同时携带多个规模,并允许后续模型在既有模型基础上逐步成长。

CoM的基本单位是Chain-of-Representation(CoR):隐藏向量被分成若干链,第i条链只能读取前i条链。该约束形成Chain-of-Layer,并被应用到Transformer的Linear、注意力、FFN和Normalization,得到Chain-of-Language-Model(CoLM)。CoLM-Air进一步只在第一链计算Key和Value,再跨链共享,使不同规模模型能够复用缓存。

实验使用600B token的SlimPajama、LLaMA-2 tokenizer、32张A100和50K步预训练。1.11B CoLM平均准确率45.27,略高于1.10B基线45.11;增量扩展使Tiny-LLaMA平均分由57.43升至58.35。CoLM-Air在1M token预填充中最高约快3倍,结合MInference最高达27倍。代价是KV共享会轻微降精度,且现有验证规模有限。总体而言,论文展示了一种把“模型大小”变成可组合、可切换属性的方向。

深度分析

研究背景

LLM扩展长期依赖Dense Transformer,也出现了MoE、弹性推理和持续训练等方向。Dense模型性能稳定但每次推理固定激活参数;MoE虽节省计算,却需要路由和复杂负载管理。现有持续扩展方法通常不能完整保留旧规模。CoM从表示层重新定义模型尺度,使多个子模型共存。

核心问题

目标是在一次统一训练中获得多个规模,并能从已有模型继续扩展,而不让新增参数破坏旧能力。困难在于Transformer的矩阵乘法、注意力点积和归一化会混合不同尺度信息;同时KV缓存通常与具体模型规模绑定,切换模型必须重新计算历史上下文。

核心创新

第一,CoR把向量切成链并定义尺度。第二,CoL施加“输出链i只依赖输入链≤i”的因果性,保证只计算前i条链即可得到尺度i。第三,CoLM把该规则覆盖Transformer各模块。第四,CoLM-Air把KV集中到第一链,实现缓存复用和模型切换。第五,Chain Expansion允许以已训练模型为第一链追加容量。

方法详解

  • �� Linear:令输入、输出分别分链,yi=Wi x≤i+bi,Wi仅连接前置链。
  • �� Attention:将注意力头按链分配,链比例C之和为总头数,避免单头混合多个尺度。
  • �� FFN/Norm:所有Linear替换为Chain-of-Linear,Normalization逐链执行。
  • �� Embedding:训练不变,推理时截取前i条链维度。
  • �� 目标函数:对每个尺度使用独立分类头和多链交叉熵;预训练阶段为效率使用普通交叉熵。
  • �� KV sharing:CoLM-Air只计算第一链KV,并按GQA复制到查询头。

实验设计

预训练语料为SlimPajama 600B token,实际训练50K步、约200B token;使用LLaMA-2 tokenizer、词表32000、序列长度4096、BF16、AdamW学习率1.5×10^-4、32张A100 40GB、有效batch 1024。基线为LLaMA-3.2-1B式单链模型。评测采用EleutherAI Harness,在HellaSwag、OBQA、WinoGrande、ARC-e/c、BoolQ、PIQA等任务上使用acc_norm,并测试链扩展、弹性推理和预填充。

结果分析

标准基线平均45.11;1.11B CoLM C={16,16}平均45.27,0.86B版本为44.00;四链1.18B版本为44.51。CoLM-Air对应平均44.80和43.41。Chain Expansion使Tiny-LLaMA由57.43升至58.35,LLaMA-3.2-1B由60.39升至60.53。弹性推理中,第一链0.33B平均41.13,双链0.86B为43.90。

应用场景

云端服务可按用户延迟、成本和质量选择不同链数;边缘设备只运行第一链,服务器再启用更多链。长上下文系统可用CoLM-Air第一链完成预填充,再扩展到大模型生成。持续训练、领域适配和Chain Tuning也可冻结旧链,仅更新新增链,降低遗忘与训练成本。

局限与展望

KV共享牺牲部分表示能力,CoLM-Air在多数任务低于完整CoLM。实验规模、训练步数和任务范围有限,尚不能证明在数十亿或万亿参数下仍有相同收益。多链结构需要专门的块稀疏Kernel和通信优化;多尺度损失也增加训练复杂度。未来应扩大模型和数据规模,研究动态链路由、链宽度设计及真实服务端到端指标。

通俗解读 非专业人士也能看懂

把模型想成一座可以逐步扩建的工厂。普通大模型像一次性建好的巨型工厂:无论订单大小,都要开启整套设备;如果想扩大产能,通常还得重新设计和训练。CoLM把工厂分成几组流水线。第一组能独立完成基础工作,第二组既能使用第一组的结果,也能增加更复杂的加工,后面的组依次叠加。因此只开前一组就是小模型,打开更多组就是大模型,而且小工厂的能力不会被丢掉。

CoLM-Air还把“原料检查记录”放在第一组,并让后续工组共享。这就像同一批货物已经验收过,换成更大的生产线时不必重新检查。论文中,处理一百万字上下文时,四链方案预读速度约快3倍。

代价是共享记录可能不如每组单独检查精确,所以CoLM-Air成绩略低。整体思想是:不要把模型大小看成只能二选一的固定建筑,而要让它像积木一样按需求组合。

简单解释 像给14岁少年讲一样

想象你在玩一款需要建基地的游戏。普通大模型像一开始就造一座超级基地:能力很强,但每次出任务都要带上全部建筑,手机可能跑不动;如果想升级,还常常要把整座基地重建一遍。

CoLM把基地分成几层。第一层能做基础任务,第二层会看第一层的结果并增加新能力,第三层再看前两层。你只打开第一层,就是小模型;打开两层或三层,就是更强的模型。关键是新增楼层不会抹掉旧楼层,所以可以边用边升级。

CoLM-Air还有一个聪明设计:第一层先把长文章的重要记录保存下来,后面楼层直接共享,不用重新读完整篇文章。实验显示,处理特别长的、一百万token的内容时,某些配置预读速度最高快约3倍,配合MInference甚至达到27倍加速。

当然,省事也有代价:共享记录有时不如每层自己保存准确,成绩会下降一点。它还只在大约十亿参数规模上测试过,所以能不能同样适用于超大模型,还要继续验证。

术语表

Chain-of-Representation(链式表示)

把一个隐藏向量切分成多个子表示,每个子表示称为一条链。使用前几条链即可表达不同模型尺度。

CoR是CoLM实现多尺度能力的表示基础。

Chain-of-Layer(链式层)

一种层级约束:第i条输出链只能依赖输入链1至i。该结构支持因果计算和逐链激活。

Linear、Attention、FFN和Normalization均被改造成CoL。

Chain-of-Model(模型链)

由多个符合CoL的层组成的模型。它同时包含不同规模的子模型,并允许逐步增加链数。

CoM是论文提出的总体学习范式。

CoLM-Air

加入KV sharing的CoLM变体。所有Key和Value只在第一链计算,再共享给其他链。

用于无重算模型切换和加速预填充。

Chain Expansion(链扩展)

把已有模型作为第一链,再添加新链以增加容量。通常冻结旧链以保留原知识。

实验在Tiny-LLaMA和LLaMA-3.2-1B上验证。

Elastic Inference(弹性推理)

根据设备、延迟或成本需求动态选择模型计算规模。CoLM通过不同链数提供多个子模型。

论文用HellaSwag等零样本任务测试不同尺度。

开放问题 这项研究留下的未解疑问

  • 1 CoLM能否稳定扩展到70B以上模型仍未知;更大规模会放大链间通信、负载不均和优化难度,需要长期训练实验。
  • 2 KV共享造成的精度损失是否可由选择性KV、分层缓存或蒸馏消除,论文尚未系统回答。
  • 3 多链结构在代码、推理和多语言任务上的收益未充分验证,真实在线吞吐与成本也需端到端测量。

应用场景

近期应用

云端弹性语言服务

服务商可将第一链用于低延迟请求,将更多链分配给复杂任务。前提是完成多尺度训练和推理Kernel部署,预期能在质量、显存与成本之间动态平衡。

长上下文预填充

CoLM-Air可只用第一链处理历史上下文,再在生成阶段切换到更大规模。适合文档问答、代理系统和长对话,尤其适用于预填充占主要成本的场景。

远期愿景

持续扩展的基础模型

未来模型可像积木一样逐链升级:冻结旧链保存通用知识,仅训练新增链适应数据和任务,从而降低重训成本并缓解灾难性遗忘。

原文摘要

In this paper, we propose a novel learning paradigm, termed Chain-of-Model (CoM), which incorporates the causal relationship into the hidden states of each layer as a chain style, thereby introducing great scaling efficiency in model training and inference flexibility in deployment. We introduce the concept of Chain-of-Representation (CoR), which formulates the hidden states at each layer as a combination of multiple sub-representations (i.e., chains) at the hidden dimension level. In each layer, each chain from the output representations can only view all of its preceding chains in the input representations. Consequently, the model built upon CoM framework can progressively scale up the model size by increasing the chains based on the previous models (i.e., chains), and offer multiple sub-models at varying sizes for elastic inference by using different chain numbers. Based on this principle, we devise Chain-of-Language-Model (CoLM), which incorporates the idea of CoM into each layer of Transformer architecture. Based on CoLM, we further introduce CoLM-Air by introducing a KV sharing mechanism, that computes all keys and values within the first chain and then shares across all chains. This design demonstrates additional extensibility, such as enabling seamless LM switching, prefilling acceleration and so on. Experimental results demonstrate our CoLM family can achieve comparable performance to the standard Transformer, while simultaneously enabling greater flexiblity, such as progressive scaling to improve training efficiency and offer multiple varying model sizes for elastic inference, paving a a new way toward building language models. Our code will be released in the future at: https://github.com/microsoft/CoLM.

cs.CL