LLM進入拖拽時代！只靠Prompt幾秒定制大模型，效率飆升12000倍

? 【新智元導讀】最近，來自NUS、UT Austin等機構(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)就能適應任務。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，但要在真實場景中做特定的適配，還是得花好幾個小時來對模型進行微調(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任務所需的微調(diào)成本。

剛剛，包括尤洋教授在內(nèi)的來自新加坡國立大學、得克薩斯大學奧斯汀分校等機構(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)LM進行無需訓練的自適應微調(diào)。

通過一個輕量級文本編碼器與一個級聯(lián)超卷積解碼器的組合，DnD能在數(shù)秒內(nèi)，僅根據(jù)無標簽的任務提示詞，生成針對該任務的LoRA權(quán)重矩陣。

顯然，對于那些需要快速實現(xiàn)模型專業(yè)化的場景，DnD可以提供一種相較于傳統(tǒng)微調(diào)方法更強大、靈活且高效的替代方案。

總結(jié)來說，DnD的核心優(yōu)勢如下：

• 極致效率：其計算開銷比傳統(tǒng)的全量微調(diào)低12,000倍。
• 卓越性能：在零樣本學習的常識推理、數(shù)學、編碼及多模態(tài)基準測試中，其性能比最強大的、需要訓練的LoRA模型還要高出30%。
• 強大泛化：僅需無標簽的提示詞，即可在不同領域間展現(xiàn)出強大的泛化能力。

DnD實現(xiàn)方法

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

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

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

在準備數(shù)據(jù)時，將模型參數(shù)（權(quán)重）與特定數(shù)據(jù)集的條件（提示詞）進行顯式配對。 在訓練時，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)督信號進行學習。 基于這些洞見，團隊提出了「拖拽式大語言模型」，它無需微調(diào)即可生成任務專屬的權(quán)重。

團隊首先在多個不同數(shù)據(jù)集上分別訓練并保存相應的LoRA適配器。

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

參數(shù)生成器是一個由級聯(lián)卷積塊構(gòu)成的解碼器。

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

訓練時，團隊采用一個現(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。

生成器會預測出模型權(quán)重，團隊利用其與真實LoRA權(quán)重之間的均方誤差（MSE）損失來對其進行優(yōu)化。

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

效果評估

零樣本學習效果

在新的（測試）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在準確率上都顯著超越了那些用于訓練的LoRA模型。

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

在這些任務上依然展現(xiàn)出強大的零樣本學習能力。

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

DnD能夠很好地擴展至更大的7B基座模型，并在更復雜的LiveCodeBench基準測試中保持強勁性能。

通過利用已微調(diào)的LoRA作為訓練數(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。

團隊向DnD輸入其訓練階段從未見過的數(shù)據(jù)集提示詞，讓它為這些新任務直接生成參數(shù)，以此來檢驗其零樣本學習能力。

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。

實驗結(jié)果表明，在零樣本測試集上，團隊的方法相較于訓練所用的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世界任務和不同尺寸的LLM。

對比其他微調(diào)方法

為了進一步展示DnD的強大能力，團隊將其與全量樣本微調(diào)（full-shot tuning）、少樣本學習（few-shot）以及上下文學習（in-context learning）進行了對比。

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)的性能會超過DnD，但其代價是高達12000倍的推理延遲。

此外，在樣本數(shù)少于256個時，DnD的性能穩(wěn)定地優(yōu)于少樣本學習和上下文學習。

尤其值得注意的是，少樣本學習和上下文學習都需要依賴帶標簽的答案，而DnD僅僅需要無標簽的提示詞。

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

• 參考資料： https://jerryliang24.github.io/DnD

By 新智元 On 2025年6月24日 In 綜合

推薦學習書籍 《CDA一級教材》適合CDA一級考生備考，也適合業(yè)務及數(shù)據(jù)分析崗位的從業(yè)者提升自我。完整電子版已上線CDA網(wǎng)校，累計已有10萬+在讀~ 免費加入閱讀：https://edu.cda.cn/goods/show/3151?targetId=5147&preview=0