GPT-2-XL 剪枝冗余注意力头可显著降低模型对训练数据的逐字记忆

该论文通过实证研究发现，在推理前将 GPT-2-XL 中大量冗余的注意力头置零，能在几乎不影响甚至提升语言建模性能的同时，大幅抑制模型对训练数据的逐字记忆行为。实验显示，移除 729 个任务冗余头后，已知记忆序列的重复次数减少了 91.5%，而 WikiText-103 的困惑度反而降低了 0.92。

这一结果验证了注意力头具有关联记忆机制的理论假设，即记忆容量随头数量增加而扩展。研究并未涉及重新训练或修改原始训练数据，而是直接利用模型内部结构的冗余性进行干预。这种基于架构剪枝的方法为缓解隐私泄露和知识产权暴露风险提供了一种新的推理时优化路径，区别于传统的微调或数据清洗方案。

事实层面确认了特定规模模型（GPT-2-XL）在特定基准下的效果；推断层面认为该方法可能适用于其他 Transformer 架构的大模型以平衡性能与安全；猜测层面在于其泛化能力是否受限于特定数据集分布，以及在实际生产环境中部署此类剪枝策略对延迟和算力的具体影响仍需进一步验证。