Towards Cross-Tokenizer Distillation: the Universal Logit Distillation Loss for LLMs

要約

コスト、待ち時間の制限、ハードウェアのアクセシビリティなどの制約により、ほとんどの産業用ユースケースでは、数十億パラメーターの大規模な言語モデル（LLM）を展開することは実用的ではありません。
知識蒸留（KD）は、リソース集約型の大型モデルから小さなモデルに知識を圧縮することにより、ソリューションを提供します。
さまざまな戦略が存在し、教師モデルによって生成されたテキストに依存し、オプションで彼のロジットを利用して学習を強化します。
ただし、ロジットに基づいたこれらの方法では、多くの場合、教師モデルと生徒の両方のモデルが同じトークン剤を共有する必要があり、異なるLLMファミリーでの適用性を制限します。
この論文では、この制限に対処するために、最適な輸送に基づいたユニバーサルロジット蒸留（ULD）損失を紹介します。
私たちの実験結果は、さまざまなアーキテクチャやトークンザーを備えたモデル間の蒸留を可能にする際のULD損失の有効性を示しており、蒸留技術のより広範な使用への道を開いています。

要約(オリジナル)

Deploying large language models (LLMs) of several billion parameters can be impractical in most industrial use cases due to constraints such as cost, latency limitations, and hardware accessibility. Knowledge distillation (KD) offers a solution by compressing knowledge from resource-intensive large models to smaller ones. Various strategies exist, some relying on the text generated by the teacher model and optionally utilizing his logits to enhance learning. However, these methods based on logits often require both teacher and student models to share the same tokenizer, limiting their applicability across different LLM families. In this paper, we introduce Universal Logit Distillation (ULD) loss, grounded in optimal transport, to address this limitation. Our experimental results demonstrate the effectiveness of ULD loss in enabling distillation across models with different architectures and tokenizers, paving the way to a more widespread use of distillation techniques.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google