新智元報(bào)道

編輯：定慧 好困

【新智元導(dǎo)讀】最近，來自NUS、UT Austin等機(jī)構(gòu)的研究人員創(chuàng)新性地提出了一種「拖拽式大語言模型」（DnD），它可以基于提示詞快速生成模型參數(shù)，無需微調(diào)就能適應(yīng)任務(wù)。不僅效率最高提升12000倍，而且具備出色的零樣本泛化能力。

現(xiàn)在的大模型基本都具備零樣本泛化能力，但要在真實(shí)場(chǎng)景中做特定的適配，還是得花好幾個(gè)小時(shí)來對(duì)模型進(jìn)行微調(diào)。

即便是像LoRA這樣的參數(shù)高效方法，也只能緩解而不能消除每個(gè)任務(wù)所需的微調(diào)成本。

剛剛，包括尤洋教授在內(nèi)的來自新加坡國立大學(xué)、得克薩斯大學(xué)奧斯汀分校等機(jī)構(gòu)的研究人員，提出了一種全新的「拖拽式大語言模型」——Drag-and-Drop LLMs！

論文地址：https://arxiv.org/abs/2506.16406

DnD是一種基于提示詞的參數(shù)生成器，能夠?qū)?strong>LLM進(jìn)行無需訓(xùn)練的自適應(yīng)微調(diào)。

通過一個(gè)輕量級(jí)文本編碼器與一個(gè)級(jí)聯(lián)超卷積解碼器的組合，DnD能在數(shù)秒內(nèi)，僅根據(jù)無標(biāo)簽的任務(wù)提示詞，生成針對(duì)該任務(wù)的LoRA權(quán)重矩陣。

顯然，對(duì)于那些需要快速實(shí)現(xiàn)模型專業(yè)化的場(chǎng)景，DnD可以提供一種相較于傳統(tǒng)微調(diào)方法更強(qiáng)大、靈活且高效的替代方案。

總結(jié)來說，DnD的核心優(yōu)勢(shì)如下：

• 極致效率：其計(jì)算開銷比傳統(tǒng)的全量微調(diào)低12,000倍。

• 卓越性能：在零樣本學(xué)習(xí)的常識(shí)推理、數(shù)學(xué)、編碼及多模態(tài)基準(zhǔn)測(cè)試中，其性能比最強(qiáng)大的、需要訓(xùn)練的LoRA模型還要高出30%。

• 強(qiáng)大泛化：僅需無標(biāo)簽的提示詞，即可在不同領(lǐng)域間展現(xiàn)出強(qiáng)大的泛化能力。

DnD實(shí)現(xiàn)方法

通過觀察，研究人員發(fā)現(xiàn)，LoRA適配器無非是其訓(xùn)練數(shù)據(jù)的一個(gè)函數(shù)：梯度下降會(huì)將基礎(chǔ)權(quán)重「拖拽」至一個(gè)特定任務(wù)的最優(yōu)狀態(tài)。

如果能夠直接學(xué)習(xí)從提示到權(quán)重的映射，那么就可以完全繞過梯度下降過程。

DnD通過兩個(gè)核心步驟獲得「拖拽」能力：準(zhǔn)備訓(xùn)練數(shù)據(jù)（左上）與訓(xùn)練參數(shù)生成器（右上）。

• 在準(zhǔn)備數(shù)據(jù)時(shí)，將模型參數(shù)（權(quán)重）與特定數(shù)據(jù)集的條件（提示詞）進(jìn)行顯式配對(duì)。

• 在訓(xùn)練時(shí)，DnD模型將條件作為輸入來生成參數(shù)，并使用原始的LoRA參數(shù)作為監(jiān)督信號(hào)進(jìn)行學(xué)習(xí)。

基于這些洞見，團(tuán)隊(duì)提出了「拖拽式大語言模型」，它無需微調(diào)即可生成任務(wù)專屬的權(quán)重。

團(tuán)隊(duì)首先在多個(gè)不同數(shù)據(jù)集上分別訓(xùn)練并保存相應(yīng)的LoRA適配器。

為了賦予模型「拖拽」的能力，團(tuán)隊(duì)將這些數(shù)據(jù)集的提示詞與收集到的LoRA權(quán)重進(jìn)行隨機(jī)配對(duì)，構(gòu)成DnD模型的訓(xùn)練數(shù)據(jù)——即「提示詞-參數(shù)」對(duì)。

參數(shù)生成器是一個(gè)由級(jí)聯(lián)卷積塊構(gòu)成的解碼器。

參數(shù)生成器的模塊細(xì)節(jié)如下：每個(gè)超卷積塊包含三個(gè)超卷積模塊，用于在不同維度上提取并融合特征信息。

訓(xùn)練時(shí)，團(tuán)隊(duì)采用一個(gè)現(xiàn)成的文本編碼器提取提示詞的嵌入向量，并將其輸入生成器。

生成器會(huì)預(yù)測(cè)出模型權(quán)重，團(tuán)隊(duì)利用其與真實(shí)LoRA權(quán)重之間的均方誤差（MSE）損失來對(duì)其進(jìn)行優(yōu)化。

在推理階段，團(tuán)隊(duì)只需將來自全新數(shù)據(jù)集（訓(xùn)練中未見過）的提示詞輸入DnD，僅需一次前向傳播，即可獲得為該任務(wù)量身定制的參數(shù)。

效果評(píng)估

零樣本學(xué)習(xí)效果

在新的（測(cè)試）數(shù)據(jù)集上的泛化能力。

在所有未曾見過的數(shù)據(jù)集上，DnD在準(zhǔn)確率上都顯著超越了那些用于訓(xùn)練的LoRA模型。

DnD能為數(shù)學(xué)、代碼和多模態(tài)問答等更復(fù)雜的任務(wù)生成參數(shù)。

在這些任務(wù)上依然展現(xiàn)出強(qiáng)大的零樣本學(xué)習(xí)能力。

DnD在多種任務(wù)上超越了基座LLM，展現(xiàn)出顯著的「拖拽」增強(qiáng)效果。

DnD能夠很好地?cái)U(kuò)展至更大的7B基座模型，并在更復(fù)雜的LiveCodeBench基準(zhǔn)測(cè)試中保持強(qiáng)勁性能。

通過利用已微調(diào)的LoRA作為訓(xùn)練數(shù)據(jù)，DnD成功地在輸入提示詞與模型參數(shù)之間建立了聯(lián)系。

團(tuán)隊(duì)向DnD輸入其訓(xùn)練階段從未見過的數(shù)據(jù)集提示詞，讓它為這些新任務(wù)直接生成參數(shù)，以此來檢驗(yàn)其零樣本學(xué)習(xí)能力。

DnD在權(quán)重空間中生成的參數(shù)與原始參數(shù)分布接近，并且在性能上表現(xiàn)良好。

實(shí)驗(yàn)結(jié)果表明，在零樣本測(cè)試集上，團(tuán)隊(duì)的方法相較于訓(xùn)練所用的LoRA模型的平均性能，取得了驚人的提升，并且能夠很好地泛化到多種真實(shí)世界任務(wù)和不同尺寸的LLM。

對(duì)比其他微調(diào)方法

為了進(jìn)一步展示DnD的強(qiáng)大能力，團(tuán)隊(duì)將其與全量樣本微調(diào)（full-shot tuning）、少樣本學(xué)習(xí)（few-shot）以及上下文學(xué)習(xí)（in-context learning）進(jìn)行了對(duì)比。

令人驚訝的是，DnD的性能超越了LoRA全量微調(diào)的效果，同時(shí)速度快了2500倍。

雖然經(jīng)過更多輪次的迭代，全量微調(diào)的性能會(huì)超過DnD，但其代價(jià)是高達(dá)12000倍的推理延遲。

此外，在樣本數(shù)少于256個(gè)時(shí)，DnD的性能穩(wěn)定地優(yōu)于少樣本學(xué)習(xí)和上下文學(xué)習(xí)。

尤其值得注意的是，少樣本學(xué)習(xí)和上下文學(xué)習(xí)都需要依賴帶標(biāo)簽的答案，而DnD僅僅需要無標(biāo)簽的提示詞。

DnD能夠達(dá)到與全量樣本相當(dāng)甚至更優(yōu)的性能，同時(shí)速度提高了2500-12000倍

作者介紹

Zhiyuan Liang

Zhiyuan Liang目前在新加坡國立大學(xué)高性能計(jì)算人工智能實(shí)驗(yàn)室實(shí)習(xí)，師從尤洋教授。同時(shí)，也得到了Kai Wang博士和Wangbo Zhao的指導(dǎo)。

此前，他在中國科學(xué)技術(shù)大學(xué)獲得人工智能學(xué)士學(xué)位。并曾在北卡羅來納大學(xué)教堂山分校Huaxiu Yao教授的指導(dǎo)下進(jìn)行實(shí)習(xí)，以及在中國科學(xué)技術(shù)大學(xué)數(shù)據(jù)科學(xué)實(shí)驗(yàn)室跟著導(dǎo)師Xiang Wang度過了兩年的時(shí)光。

他的研究興趣主要集中在高效機(jī)器學(xué)習(xí)與參數(shù)生成，希望從權(quán)重空間學(xué)習(xí)的視角，探索實(shí)現(xiàn)更高層次智能的有效路徑。

Zhangyang(Atlas) Wang

Zhangyang Wang目前是德克薩斯大學(xué)奧斯汀分校錢德拉家族電氣與計(jì)算機(jī)工程系的終身副教授，并榮膺坦普爾頓基金會(huì)第7號(hào)捐贈(zèng)教席。

他同時(shí)也是該校計(jì)算機(jī)科學(xué)系以及奧登研究所計(jì)算科學(xué)、工程與數(shù)學(xué)項(xiàng)目的核心教員。

他于2016年獲伊利諾伊大學(xué)厄巴納-香檳分校電氣與計(jì)算機(jī)工程博士學(xué)位，師從計(jì)算機(jī)視覺泰斗黃煦濤(Thomas S.Huang)教授；并于2012年獲中國科學(xué)技術(shù)大學(xué)電子工程與信息科學(xué)學(xué)士學(xué)位。

他的研究興趣主要聚焦于為生成式AI與神經(jīng)符號(hào)AI定堅(jiān)實(shí)的理論與算法基礎(chǔ)。

核心目標(biāo)是創(chuàng)建結(jié)構(gòu)化、模塊化的模型表示：1）在過參數(shù)化模型空間中實(shí)現(xiàn)高效、魯棒的學(xué)習(xí)；2）與符號(hào)知識(shí)及推理進(jìn)行無縫連接。

Kai Wang

Kai Wang目前是新加坡國立大學(xué)HPC-AI實(shí)驗(yàn)室的研究員，接受尤洋教授的指導(dǎo)。

此前，他在新加坡國立大學(xué)獲得數(shù)據(jù)科學(xué)與機(jī)器學(xué)習(xí)博士學(xué)位，在中國科學(xué)院深圳先進(jìn)技術(shù)研究院獲得計(jì)算機(jī)技術(shù)碩士學(xué)位，在北京師范大學(xué)珠海校區(qū)獲得學(xué)士學(xué)位。

他的研究方向聚焦于參數(shù)生成與高效機(jī)器學(xué)習(xí)，尤其注重通過探索簡潔的基線方法，來深入洞察深度學(xué)習(xí)的內(nèi)在機(jī)理。

參考資料：

https://jerryliang24.github.io/DnD/