MergeKit项目：LLaMA架构模型转换为Mixtral MoE的技术实践

背景介绍

在大型语言模型领域，混合专家(Mixture of Experts, MoE)架构因其高效性和灵活性而备受关注。MergeKit作为一个模型合并工具，支持将多个基础模型合并为MoE架构。本文将探讨如何将基于LLaMA架构的deepseek-coder-1.3b-base模型转换为Mixtral MoE架构，并解决转换过程中遇到的技术问题。

模型转换过程

初始转换尝试

使用MergeKit工具，我们可以通过简单的YAML配置文件将两个1.3B参数的deepseek-coder基础模型合并为一个MoE架构。配置文件中指定了基础模型、专家模型以及各自的提示词偏好：

base_model: deepseek-coder-1.3b-base
gate_mode: hidden
dtype: bfloat16
experts:
  - source_model: deepseek-coder-1.3b-base-1
    positive_prompts:
      - "def"
  - source_model: deepseek_coder-1.3b-base-2
    positive_prompts:
      - "public"

转换后的模型架构变化

原始LLaMA架构的模型配置中，关键参数包括：

• hidden_size: 2048
• intermediate_size: 5504
• num_hidden_layers: 24
• num_attention_heads: 16
• rope_scaling: 线性缩放因子4.0

转换为Mixtral MoE架构后，新增了以下MoE特有参数：

• num_experts_per_tok: 2
• num_local_experts: 2
• router_aux_loss_coef: 0.001

遇到的问题与解决方案

问题现象

转换后的模型在生成代码时出现了异常输出，例如输入"def quick_sort(array):"时，预期应该输出快速排序算法的实现，但实际却输出了大量重复的"):"字符。

原因分析

经过技术排查，发现问题出在RoPE(Rotary Position Embedding)缩放支持上。当前Transformers库中的Mixtral实现尚未完全支持rope_scaling参数，导致位置编码处理异常。

解决方案

通过调整rope_theta参数来匹配原本4倍的缩放比例，成功解决了这一问题。具体来说：

1. 原始配置中的rope_scaling因子为4.0
2. 在Mixtral实现中，需要将rope_theta从默认值100000调整为400000
3. 确保模型配置中正确保留了rope_scaling设置

技术要点总结

1. 架构兼容性：LLaMA架构模型可以成功转换为Mixtral MoE架构，但需要注意特定参数的适配。

2. 位置编码处理：RoPE缩放是LLM中的关键技术，在模型转换时需要特别注意其实现细节。

3. 专家路由：MoE架构中的专家路由机制(gate_mode)可以基于提示词进行定制，实现特定领域的专家选择。

4. 参数调整：模型转换不仅仅是架构变化，还需要相应调整超参数以确保功能正常。

实践建议

对于希望尝试类似转换的研究者和开发者，建议：

1. 仔细检查原始模型和目架构的所有配置差异
2. 重点关注位置编码、注意力机制等核心组件的实现
3. 准备充分的测试用例验证转换后模型的输出质量
4. 考虑使用量化工具如llama.cpp进行部署优化

通过本文的技术实践，我们验证了使用MergeKit工具将LLaMA架构模型转换为Mixtral MoE架构的可行性，并解决了转换过程中的关键技术问题，为类似场景下的模型架构转换提供了有价值的参考。