granite-moe-task-packs-poc
частичная загрузка MoE-модели под конкретную задачу
3 мин чтенияобновлено
Исследовательский прототип (PoC) от Pantelispanka на базе ibm-granite/granite-3.1-1b-a400m-base, который решает проблему высоких требований к видеопамяти у MoE-моделей (Mixture-of-Experts — архитектура, где для каждого токена активируется лишь часть экспертных подсетей, но в памяти обычно приходится держать все). Вместо полной загрузки модели на устройство скачивается только компактный «пакет» нужных под задачу экспертов и лёгкий патч (веса роутера и low-rank дельта), а сами веса экспертов остаются общими и не меняются. Такой подход позволяет локально запускать задачи вроде генерации кода с потерей качества менее 4% даже при четверти от всех экспертов. Эксперимент пригодится разработчикам и исследователям, которые оптимизируют инференс MoE на слабом железе или мобильных устройствах.
Ключевые особенности
- Вложенные пакеты экспертов (task packs): модель сжимается с 32 экспертов на слой до 16, 12 или 8 штук (с 1.33B до 0.73B или 0.43B параметров), а размер патча составляет всего 10–39 МБ.
- Стабильная скорость генерации: поскольку в памяти находятся только выбранные эксперты, отсутствует постоянная подкачка весов (swapping), и скорость декодирования остаётся на уровне ~16 токенов/с.
- Высокая точность на коде: на задачах программирования пакет из 8 экспертов показывает perplexity 3.79 против 3.65 у полной модели, а пакет из 16 — 3.51.
- Обучение через дистилляцию: пакеты обучаются на полном выходе исходной модели при физически заблокированных лишних экспертах, при этом сами базовые веса экспертов остаются замороженными.
Что можно сделать
- Локально запускать специализированные ассистенты для написания кода или ответов на вопросы (QA) на видеокартах с небольшим объёмом VRAM, сократив вес экспертов с 2.4 ГБ до 1.2 ГБ и ниже.
- Воспроизвести эксперименты по отбору экспертов и дообучению роутеров с помощью готовых скриптов из репозитория (
14_task_pack.py,16_run_pack.py) на своих задачах. - Использовать наработки как отправную точку для переноса архитектуры task packs на более крупные MoE-модели (например, со 128 экспертами на слой).
Пример
В репозитории выложены готовые пакеты в папке packs/ и скрипты для запуска в scripts/. Сценарий работы из карточки: центральный сервер хранит общие веса модели, а клиентское устройство для задачи программирования загружает 16 или 8 нужных экспертов на слой вместе с патчем и запускает локальный инференс через scripts/16_run_pack.py без подкачки недостающих весов.
Подробнее
Базовая модель: ibm-granite/granite-3.1-1b-a400m-base (24 слоя, 32 эксперта на слой, 8 активных на токен).Метрики (perplexity, меньше — лучше): code — 3.65 (полная) / 3.51 (16 эксп.) / 3.79 (8 эксп.); qa — 6.93 / 7.43 / 9.89; math — 2.05 / 3.00 / 3.61.
Железо и обучение: эксперименты проведены на ноутбучной RTX 4070 (8 GB VRAM), обучение одного пакета занимает 10–30 минут.
Ограничения: math и prose теряют 45–50% качества на половине экспертов; пакеты жёстко привязаны к своей задаче; для первого токена контекста требуется таблица векторов от полной модели; замеры выполнены на единичных прогонах без расчёта task accuracy.










Комментарии