众所周知，
语言模型调参！
预训练语言模型调参！！
预训练大语言模型调参！！！
简直就是一个指数级递增令人炸毛的事情，小编也常常在做梦，要是只训练几步就知道现在的超参数或者数据配比能不能行，那该有多好。
但现在，有一篇工作似乎正在令小编的梦想成为现实，那就是清华大学提出的Temporal Scaling Law。根据他们提出的这条规则，便可以通过当前训练步来准确预测未来训练步损失（loss）的下降情况，从而可以极大程度上提高各位炼丹师的效率。
此外，正所谓“重剑无锋，大巧不工”，这篇研究还发现在训练过程中并不需要针对token position添加权重，默认的预训练模式就足以达到非常好的效果。
GPT-3.5研究测试：
yeschat
GPT-4研究测试：
Hello, LLMs
Claude-3研究测试（全面吊打GPT-4）：
AskManyAI
论文标题Temporal Scaling Law for Large Language Models
论文链接https://arxiv.org/pdf/2404.17785
Scaling Law
在介绍本文工作之前，先来回顾一下2020年由Kaplan等人首次提出的Scaling Law，即对于生成式Transformer模型，测试损失与模型大小、数据集大小和用于训练的计算量之间存在幂律关系（power-law relationship）。
此后，也陆续有研究在迁移学习（transfer-learning）和多模态预训练（multi-modal pre-training）验证了scaling law的存在。
Temporal Scaling Law
1. 从Scaling Law到Temporal Scaling Law
如前文所述，Scaling Law更侧重于建立测试损失与各个静态属性之间的关系，尽管Kaplan等人也提出测试损失与训练步之间遵从幂律，但这是建立在无限训练数据和训练步数前提下的，而这显然不符合我们的现实情况。
因此，本文在Scaling Law的基础上，进一步提出了考虑训练时间维度的Temporal Scaling Law，用以描述训练步与测试损失之间的关系，从而勾勒出大语言模型（LLMs）的预训练轨迹。
2. 实验设置
-
训练数据：本文选用了Pile数据集作为预训练数据，这是一个包括22个领域的单语言大规模数据集
-
测试数据：为度量测试损失，本文构造了两个测试数据，包括一个同样来自Pile的同分布数据集（IID-Val）和一个来自PG-19的异分布数据集（OOD-Val），都处理成1024 tokens的长度。测试损失取测试集中的所有序列损失的平均
-
模型选择：本文选用了468M和1.2B两种大小的生成式语言模型
-
训练方法：所有模型都需要经过400B tokens的训练，为捕捉时间维度训练进展，本文在训练阶段每隔1B个tokens创建一个checkpoint，并使用这些checkpoint进行测试损失评估
-
度量指标：为评估temporal scaling law的预测结果对真实测试损失的拟合情况，本文采用了可决指数(coefficient of determination，)和均方误差(mean-square error，)，前者表示所提出模型可解释原始数据方差的比例，后者度量所提出模型的预测结果对真实值的误差
3. Temporal Scaling Law
语言模型的本质是经过训练的统计模型，即根据先前所有token对下一个token的概率分布进行预测建模。，其中。因此，对于一个连续的序列，我们通常会认为位于后面的token会比位于前面的token更好预测，因为它有更多的背景信息，即：
为验证这一假设，本文在IID-Val数据集上用468M和1.2B模型预训练400B tokens进行实验
与假设一致，在两种大小的模型上都呈现出一致的规律，即输入序列中位置更靠前的token（背景信息更少）往往有更高的测试损失，而随着token位置越来越靠后逐渐收敛到一个固定的数值。通过以下倒数关系（reciprocal-law）的等式来拟合这种趋势，其中为token在输入序列中的位置
其中，，和为拟合参数。其中，表示序列第一个token和最后一个token之间的损失差，为基于序列长度的缩放因子，为收敛因子，表示随着上下文的延长，每个token上损失的收敛值。下图展示了在468M模型的整个预训练阶段，IID Val上，，和的拟合曲线。
当时（表示总训练步数），和收敛。因此，对于，取, 。此外还发现与学习率衰减呈强相关关系。
最终，未来测试损失可通过平均所有token位置的损失以进行预测：
对比基于Kaplan等人幂律，倒数和对数关系的baseline，通过Temporal Scaling Law的未来损失预测具有显著优势：
4. 不同token位置加权重？
前面的实验发现，位于输入序列头部的token往往更难预测，但随着训练更多的tokens以后，和逐渐趋于平稳，意味着LLMs开始对于不同位置的token平等学习。那么是否还需要对不同位置的token加不同权重以促进模型学习呢？
为验证这一点，本文将默认的预训练方法与3种简单的加权方法在8个公开评测数据上进行对比，分别是
-
头部抑制：头部10%的token计算损失时乘以0.5的权重
-
中部抑制：中部80%的token计算损失时乘以0.5的权重
-
尾部抑制：尾部10%的token计算损失时乘以0.5的权重
实验发现，加权方法对比默认方法并没有明显优势，基本都取得了相当的效果，证实了现行默认的预训练方法已经足够有效。
结论与展望
1. 本文贡献
本文在Scaling Law的基础上，进一步提出了Temporal Scaling Law，从而实现在时间维度上分析和预测LLMs在预训练过程中的损失变化，从而助力研究者们更好地把握LLMs预训练趋势，提高调参效率。
本文通过研究不同模型规模和训练阶段下LLMs每个token位置的损失不平衡现象，发现损失模式遵循一个倒数关系，并提供了这种模式的数学化描述。
此外，本文通过Temporal Scaling Law揭示了LLMs在不同token位置的学习模式，尽管在初始训练阶段存在不同位置token的损失不平衡，但LLMs在经过一定量token的训练以后，会对所有token位置平等学习。以此为启发，本文也验证了默认的LLMs训练范式（不使用基于位置的重加权策略）的有效性，为LLMs的预训练提供了更深入的理解。
2. 当前挑战与未来展望
-
本文的研究主要着眼于以transformer decoder为底座的类GPT生成式模型，而没有对transformer encoder为底座的模型或混合专家模型(Mixed of Experts Models)进行探索，因此本文的结论可能并不能推广，还有待进一步验证。
-
本文的研究主要集中在预训练阶段。而其他情况，如持续预训练，有监督微调，迁移学习，并没有被包括在内。在这些方向上，也有待做进一步验证。
-
此外，本文仅在468M和1.2B两个规模的模型上进行了验证，并没有推广到更大尺度的LLMs上面，因此Temporal Scaling Law能否推广到更大的模型上还需要更充分的实验。
