小型语言模型（SLMs）因其低延迟、成本效益、易于开发和定制而受到青睐，特别适合资源受限的环境和领域知识获取。
小型语言模型（SLMs）发展时间线
构建语言模型的基本概念
架构（Architecture）
Transformer架构：SLMs通常采用Transformer架构，这是一种基于自注意力机制的模型，能够有效处理长距离文本依赖关系，适用于资源受限的环境。
训练技术（Training Techniques）
预训练范式：从BERT的预训练和微调范式，到T5的预训练加提示方法，再到GPT-3的预训练加上下文学习，这些技术显著提升了NLP的应用范围。
从LLMs获取SLMs（Obtain SLMs from LLMs）
剪枝（Pruning）：通过移除模型中较不重要的参数来减小模型大小，包括无结构剪枝和结构化剪枝。
知识蒸馏（Knowledge Distillation）：通过训练一个小型的“学生”模型来模仿一个大型的“教师”模型的输出，从而在小型模型中保留大型模型的知识。
量化（Quantization）：通过降低参数的精度来减少模型的存储和计算需求。
模型压缩技术比较
对比了剪枝、知识蒸馏和量化等模型压缩技术，讨论了它们的定义、目标、优缺点和典型用例。
提升SLMs性能的高级策略
探讨了从零开始训练SLMs的创新方法、监督式微调、数据质量在知识蒸馏中的重要性、提升SLM性能的蒸馏技术、通过量化提高性能的策略，以及LLMs中对SLMs有贡献的技术。
SLMs的应用
分析了SLMs在问答、编程、推荐系统、网络搜索和移动设备上的应用，并讨论了在资源受限的边缘设备上部署SLMs的策略。
任务特定的SLM应用
问答（QA）：SLMs在问答任务中可以提供与大型语言模型（LLMs）相媲美的性能，尤其是在经过特定领域数据的微调后。例如，Alpaca模型通过使用ChatGPT生成的数据对Llama模型进行微调，以提高其在问答任务中的表现。
编程：SLMs在编程任务中也显示出潜力，如Phi系列模型，它们在代码生成和理解方面与更大的模型竞争。
推荐系统：SLMs在推荐系统中用于解决冷启动问题、减少流行度偏差、改善长期规划等。
网络搜索：SLMs在网络搜索中作为内容编码器、排名器和重写器，提高了搜索结果的相关性和准确性。
移动设备：SLMs在移动设备上的应用，如API调用、移动控制和基本NLP应用，可以提高隐私保护和响应速度。
SLM在移动和边缘设备上的部署
内存效率优化：通过模型压缩技术（如量化）和混合专家（MoE）架构的缓存策略，减少了模型和键值缓存在部署时的内存使用。
运行时效率优化：通过减少计算工作量、减少MoE架构中的专家切换时间以及在多个可信设备上分布式部署SLMs，提高了模型的运行时效率。
通用领域、特定任务和特定领域的小型语言模型
通用领域SLMs
概述：讨论了小型语言模型（SLMs）在资源受限环境中的优势，如低延迟、成本效益和易于定制。强调了SLMs在隐私保护、个性化和响应速度方面的重要性。
模型规格：提供了一些代表性的通用领域SLMs的详细信息，包括参数数量、发布日期、许可证、用途、语言支持、架构、层数、隐藏层大小、注意力头数、激活函数、架构技术、分词器、上下文长度和词汇表大小等。
训练数据集：介绍了用于训练SLMs的一些常见数据集，如Pile、C4、Stack等，并强调了数据质量的重要性。
训练算法：探讨了用于训练SLMs的算法，特别是微调阶段的算法，如直接偏好优化（DPO）、解释性微调和逐步学习。
领域特定SLMs
医疗保健：介绍了专门针对医疗保健领域的SLMs，如Hippocrates，它通过整合医疗指南、患者数据和PubMedQA数据来提升模型在医疗术语和实践方面的专业性。
科学：讨论了针对科学领域的SLMs，如SciGLM，它通过自反思指令注释框架来解决科学领域数据稀缺的问题。
金融和法律：介绍了MindLLM，这是一系列双语、轻量级的语言模型，专门针对法律和金融领域进行了训练和微调。
A Comprehensive Survey of Small Language Models in the Era of Large Language Models: Techniques, Enhancements, Applications, Collaboration with LLMs, and Trustworthinesshttps://arxiv.org/pdf/2411.03350
来源 | PaperAgent
