Pruning нейросетей: обрезка весов для оптимизации и ускорения инференса

Представьте: ваша обученная GPT-подобная модель занимает 16 ГБ и выдаёт ответ за 5 секунд на GPU, а на CPU или edge-устройстве — вообще неприемлемо. Клиенты жалуются на задержки, затраты на инфраструктуру растут. Мы с такой ситуацией сталкиваемся постоянно: модель хороша, но в production её не поставишь — дорого и медленно. Pruning — один из ключевых инструментов, чтобы это исправить.

Pruning — удаление малозначимых параметров (весов, нейронов, attention heads, слоёв) из обученной нейросети. Цель — снизить размер модели и ускорить инференс при минимальной потере качества. В контексте LLM pruning часто комбинируют с квантизацией и дистилляцией для максимального сжатия.

Почему pruning важен для LLM?

Большие языковые модели (LLM) содержат миллиарды параметров, но многие из них избыточны. Pruning позволяет ужать модель в 2–4 раза без значительной деградации, что критично для деплоя на edge, снижения затрат на GPU и уменьшения задержек. Без pruning современные LLM часто остаются исследовательскими артефактами — слишком дорогими для реального применения.

Виды pruning

• Unstructured pruning: обнуляются отдельные веса по всей матрице. Высокое сжатие, но требует sparse computation — стандартные GPU не ускоряют sparse операции «из коробки».
• Structured pruning: удаляются целые структурные элементы — нейроны, attention heads, слои. Результат — реально меньшая плотная модель, которая работает быстрее на стандартном железе.
• Semi-structured pruning (N:M sparsity): удаляются N весов из каждого блока M. Формат 2:4 поддерживается NVIDIA Ampere и выше на аппаратном уровне (до 2× ускорение).

Какой метод pruning выбрать для вашей модели?

Выбор метода pruning зависит от целевого железа и требований к качеству. Ниже — сравнение популярных подходов.

Методы pruning с примерами кода

LLM-Pruner: структурированный pruning LLM

# Пример использования LLM-Pruner
# pip install llm-pruner

from LLMPruner.pruner import LlamaStructuredPruner
from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained("meta-llama/Meta-Llama-3.1-7B")
tokenizer = AutoTokenizer.from_pretrained("meta-llama/Meta-Llama-3.1-7B")

pruner = LlamaStructuredPruner(
    model=model,
    tokenizer=tokenizer,
    pruning_ratio=0.25,  # Удалить 25% параметров
)

# Вычисление важности параметров на calibration data
calibration_data = ["Текст для анализа важности весов...", ...]
pruner.get_mask(calibration_data, method="taylor")  # Taylor expansion importance

# Применение маски и pruning
pruned_model = pruner.prune()

SparseGPT: эффективный unstructured pruning без retraining

Из документации SparseGPT: "SparseGPT can prune 50% of the weights without retraining." — GitHub

# sparsegpt — библиотека от авторов метода
# Пример концептуального кода

from sparsegpt import SparseGPT

sparsegpt = SparseGPT(model)
sparsegpt.fasterprune(
    sparsity=0.5,         # 50% sparsity
    prunen=2,             # N в N:M
    prunem=4,             # M в N:M (2:4 — поддерживается аппаратно)
    percdamp=0.01,
    blocksize=128,
)

При 2:4 sparsity (50%) на NVIDIA A100/H100 ускорение inference на Tensor Core около 1.7–2×.

Wanda: простой и эффективный pruning

# Wanda проще SparseGPT, но сопоставимо по качеству
# Работает за несколько минут на 7B модели

def wanda_pruning(model, calibration_loader, sparsity=0.5):
    """Упрощённая реализация Wanda"""
    for name, module in model.named_modules():
        if isinstance(module, torch.nn.Linear):
            # Накапливаем статистику активаций
            activation_norms = get_activation_norms(module, calibration_loader)

            # Importance score = |W| * ||X||
            importance = module.weight.abs() * activation_norms

            # Pruning по threshold
            threshold = torch.quantile(importance, sparsity)
            mask = importance > threshold
            module.weight.data *= mask

    return model

Depth pruning: удаление слоёв

Для LLM средние слои часто менее критичны, чем первые и последние:

def depth_prune_llm(model, layers_to_remove: list[int]):
    """Удаление указанных decoder layers"""
    # Для Llama-архитектуры
    remaining_layers = [
        layer for i, layer in enumerate(model.model.layers)
        if i not in layers_to_remove
    ]
    model.model.layers = torch.nn.ModuleList(remaining_layers)
    return model

# Пример: удаляем 8 средних слоёв из 32 (25% depth reduction)
pruned_model = depth_prune_llm(model, layers_to_remove=list(range(12, 20)))
# Результат: 24-слойная модель из 32-слойной

Практический кейс: оптимизация edge-деплоя

Задача: дообученная Llama 3.1 8B для промышленного контроллера (ARM-сервер, 16GB RAM, нет GPU). Требование: инференс < 2с на запрос.

Наша стратегия оптимизации:

1. GGUF Q4_K_M квантизация: 8B → 4.1GB, 8 tok/s на CPU (недостаточно)
2. Depth pruning (удаление 8 слоёв из 32): -25% latency, -3% качества
3. Width pruning attention heads (удаление 20% голов): -15% latency
4. Повторная квантизация: GGUF Q4_K_M на pruned модели

Итоговые характеристики pruned+quantized модели:

В типовом проекте с моделью 7B параметров экономия на инфраструктуре достигает 40%.

# После pruning — краткий fine-tuning для восстановления
from trl import SFTTrainer, SFTConfig

# Используем тот же датасет, что для fine-tuning, но с меньшим LR
recovery_config = SFTConfig(
    num_train_epochs=1,       # 1 эпоха для recovery
    learning_rate=5e-5,       # Ниже, чем при full fine-tuning
    gradient_checkpointing=True,
    bf16=True,
)
trainer = SFTTrainer(model=pruned_model, args=recovery_config, train_dataset=dataset)
trainer.train()

Что входит в работу

• Анализ модели и выбор стратегии pruning под ваше железо и требования.
• Реализация pruning (SparseGPT, Wanda, LLM-Pruner, depth pruning) с калибровкой.
• Recovery fine-tuning для восстановления качества.
• Бенчмаркинг: сравнение latency, throughput, perplexity, потребления памяти.
• Упаковка модели (GGUF, ONNX, TensorRT) и инструкции по деплою.
• Документация по изменениям и рекомендации по мониторингу.

Процесс работы: этапы и сроки

1. Аналитика: встречаемся, обсуждаем требования, забираем модель или датасет. Анализируем узкие места (latency, размер, качество).
2. Проектирование: выбираем методы pruning и recovery, готовим пайплайн. Оцениваем ожидаемый эффект.
3. Реализация: проводим pruning, recovery fine-tuning с использованием выбранных инструментов.
4. Тестирование: сравниваем с оригиналом, фиксируем метрики (perplexity, latency, throughput).
5. Деплой: упаковываем модель, даём инструкции по интеграции.

Сроки:

• Выбор стратегии pruning: 3–5 дней
• Calibration и pruning: 4–24 часа (зависит от метода и размера)
• Recovery fine-tuning: 2–8 часов
• Benchmarking и оценка: 3–5 дней
• Итого: 2–4 недели

Стоимость рассчитывается индивидуально — зависит от размера модели, сложности задачи и требуемого качества. Наш опыт — 5+ лет в ML, 10+ проектов по оптимизации моделей для production. Гарантируем прозрачный результат и полную документацию.

Если вы столкнулись с похожей задачей, свяжитесь с нами. Закажите консультацию — расскажем, как ускорить инференс в 2–5 раз без существенной потери качества.

Практический разбор LLM: fine-tuning, RAG, агенты, деплой

Модель GPT‑4 или Claude 3.5 Sonnet через публичное API — не решение, а просто инструмент. Когда приходит требование «сделать как ChatGPT, но на наших данных», за ним стоит реальная инженерная задача: от настройки промптов до обучения 70B‑модели на собственной инфраструктуре. Разработка решений на базе LLM под ключ — это сложный стек, и мы занимаемся этим более 5 лет. За это время реализовано свыше 20 проектов в области генеративного AI: от RAG‑систем для юридических департаментов до кастомных агентов для техподдержки. Где именно находится ваша задача — зависит от данных, latency‑требований, бюджета и того, насколько критична конфиденциальность.

Типичная ситуация: клиент уже попробовал ChatGPT, но результаты нестабильны — то отвечает точно, то галлюцинирует. Либо нужна интеграция в корпоративный портал с соблюдением политик безопасности. Разберём каждый слой стека в деталях — от RAG до production‑деплоя.

Почему RAG‑системы ломаются и как это исправить?

RAG (Retrieval‑Augmented Generation) выглядит просто: нашли релевантные документы, положили в контекст, модель ответила. На практике сбоит в нескольких местах.

Chunking без перекрытия. Классическая ошибка: chunk_size=512, overlap=0. Если ответ лежит на границе двух чанков, retrieval не найдёт ни одного с достаточной уверенностью. Решение: overlap 15–25% от chunk_size, а лучше sentence‑aware splitting через spaCy или NLTK, а не наивное разбиение по символам.

Плохой embedder. Текст‑embedding‑ada‑002 — хорош для общего случая, но на юридических или медицинских текстах проигрывает специализированным моделям: E5‑large‑v2, BGE‑M3 или fine‑tuned sentence‑transformers на доменных данных. Разница в Recall@5 может составлять 15–25%.

Отсутствие re‑ranking. Векторный поиск оптимизирован по скорости, не по релевантности. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) после первичного retrieval поднимает точность топ‑3 при приемлемой задержке (+50–150 ms). Это часто важнее улучшения embedding‑модели.

Гибридный поиск. Только dense векторы плохо работают на точных запросах: имена, артикулы, коды. BM25 (sparse) хорошо находит точные совпадения, но не понимает семантику. Гибрид через RRF (Reciprocal Rank Fusion) — оптимальный компромисс. Qdrant, Weaviate и pgvector 0.7+ поддерживают гибридный поиск нативно.

Когда стоит fine‑tune, а не промпт‑инжиниринг?

Промпт‑инжиниринг решает ~70% задач адаптации LLM под домен. Оставшиеся 30% требуют дообучения. Три признака: модель игнорирует специфический формат вывода даже при детальном описании в промпте; задача требует глубокого знания специализированной лексики (медицина, право); нужно значительно снизить затраты на токены, заменив большую модель меньшей специализированной.

LoRA и QLoRA — стандарт для SFT. LoRA добавляет trainable low‑rank матрицы к attention‑слоям. Типичная конфигурация для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — обучаемых параметров ~0.8%, обучение на одной A100 40GB. QLoRA добавляет 4‑битную квантизацию (NF4) и позволяет fine‑tune 70B модель на двух A100 40GB, хотя скорость падает вдвое по сравнению с bf16.

DPO вместо RLHF. Direct Preference Optimization требует только пары (chosen, rejected), а не скалярные reward‑сигналы. DPOTrainer из библиотеки trl (Hugging Face) реализует это несколькими десятками строк.

Типичная ошибка. Датасет из 500 примеров, 5 эпох, validation loss 0.8 — кажется норм. Но на тесте модель деградировала на общих инструкциях. Причина: catastrophic forgetting. Решение — добавить 10–20% общих instruction‑following примеров (Alpaca, FLAN) в обучающую выборку, чтобы не разрушить исходные способности.

Как выбрать базовую модель: 8B или 70B?

Для большинства задач fine‑tuning 8B модели достаточно. 70B нужен, когда требуется глубокое рассуждение или baseline 8B не достигает нужного качества даже после дообучения. Стоимость инференса Llama‑3 8B через vLLM на A100 — около $0.001/1K токенов, что в 15 раз дешевле GPT‑4.

Что даёт PagedAttention в production?

vLLM — первый выбор для serving open‑source моделей. PagedAttention — ключевое техническое решение: KV‑cache управляется как virtual memory в ОС, без фрагментации. Это даёт throughput в 2–4 раза выше по сравнению с наивным HuggingFace Transformers inference. Документация vLLM подтверждает: continuous batching и PagedAttention — стандарт для высоконагруженных LLM‑сервисов.

Типичные числа на A100 80GB для Llama‑3 8B (bf16): 400–600 req/s, P50 latency 200–400ms, P99 latency 600–900ms при concurrency 64. Для 70B на двух A100 с tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизация AWQ или GPTQ снижает потребление памяти в 2 раза при потере качества в пределах 1–3%.

Мультиагентные системы

Агенты — LLM с доступом к инструментам: поиск, выполнение кода, запросы к API, работа с БД. Основные паттерны:

• ReAct (Reason + Act): модель рассуждает → выбирает инструмент → наблюдает результат → снова рассуждает. LangChain и LlamaIndex реализуют из коробки.
• Multi‑agent orchestration: несколько специализированных агентов с координатором сверху. Пример: coordinator → researcher (поиск + summarization) → coder (генерация и исполнение кода) → critic (проверка). Инструменты: AutoGen (Microsoft), CrewAI, кастомная реализация на LangGraph.

В продакшене агентные системы недетерминированы. Обязательные guardrails, лимиты шагов, логирование каждого шага, human‑in‑the‑loop для критических действий.

Как мы работаем: этапы, сроки, результат

Что входит в работу

Мы передаём:

• Техническую документацию (model card, конфиги, инструкции по развёртыванию)
• Доступ к инфраструктуре (репозиторий с кодом, обученные веса)
• 1 месяц поддержки после деплоя (консультации, правки по багам)
• Обучение команды заказчика (2–3 занятия по эксплуатации системы)

Сроки: базовый RAG‑прототип — 1–2 недели. Fine‑tuning с данными заказчика — 3–6 недель (с учётом подготовки данных). Production‑система с мониторингом и переобучением — 2–4 месяца. Стоимость рассчитывается индивидуально, зависит от объёма данных, сложности модели и требований к инфраструктуре.

Хотите оценить свой проект? Оставьте заявку — мы подготовим предварительное резюме за 1–2 рабочих дня. Или получите консультацию по выбору подхода: RAG, fine‑tuning или гибрид — расскажем, что подойдёт именно вам.