LLM上下文窗口突破200萬！無需架構變化+復雜微調，輕松擴展8倍
大型語言模型（LLM）往往會追求更長的「上下文窗口」，但由于微調成本高、長文本稀缺以及新token位置引入的災難值（catastrophic values）等問題，目前模型的上下文窗口大多不超過128k個token
最近，Microsoft Research的研究人員提出了一個新模型LongRoPE，首次將預訓練 LLM 的上下文窗口擴展到了2048k個token，在256k的訓練長度下只需要1000個微調步驟即可，同時還能保持原始短上下文窗口的性能。
論文鏈接：??https://arxiv.org/abs/2402.13753??
代碼鏈接：https: //github.com/microsoft/LongRoPE
LongRoPE主要包含了三個關鍵創新點：
1. 通過高效搜索識別并利用了位置插值中的兩種非均勻性，為微調提供了更好的初始化，并在非微調情況下實現了 8 倍擴展；
2. 引入了漸進擴展策略，首先微調 256k 長度的 LLM，然后在微調擴展的LLM上進行第二次位置插值，以實現 2048k 上下文窗口；
3. 在8k長度上重新調整 LongRoPE以恢復短上下文窗口性能。
在 LLaMA2 和 Mistral 上對各種任務進行的大量實驗證明了該方法的有效性。
通過 LongRoPE 擴展的模型保留了原始架構，只對位置嵌入稍作修改，并且可以重復使用大部分已有的優化。
位置插值的不均勻性
Transformer模型需要明確的位置信息，通常以位置嵌入（position embedding）的形式來表示輸入token的順序。
本文中的位置嵌入表示方法主要來自于RoPE， 對于位置索引為 n 的標記，其相應的 RoPE 編碼可簡化如下：
其中，d 是嵌入維度，nθi 是標記在位置 n 上的旋轉角度，θi = θ -2i/d 表示旋轉頻率。在 RoPE 中，θ 的默認基準值為 10000。
受 NTK 和 YaRN 的啟發，研究人員注意到這兩個模型可以從非線性嵌入中獲得性能提升，特別是在考慮 RoPE 各維度的不同頻率以進行專門的內插法和外推法時。
然而，當前的非線性在很大程度上依賴于人為設計的規則。
這也自然引出了兩個問題：
1. 當前的位置插值是否是最佳的？
2. 是否存在尚未探索的非線性？
為了回答這些問題，研究人員使用進化搜索（evolution search）為LLaMA2-7B發現更好的非均勻位置插值。搜索以易錯性為指導，使用來自PG19驗證集的5個隨機樣本。
通過實證分析，研究人員總結了幾個主要發現。
發現1：RoPE維度表現出很大的不均勻性，目前的位置插值方法無法有效處理這些不均勻性；
在公式 2 中為每個 RoPE 維度搜索最佳 λ。
研究人員對比了PG19和Proof-pile測試集上使用不同方法的 LLaMA2-7B 在不進行微調的情況下的復雜度。
從結果來看，搜索到的解決方案有明顯改善，表明當前的線性（PI，positional interpolation）和非均勻（Dynamic-NTK 和 YaRN）插值方法都不是最佳的。
值得注意的是，YaRN 在 PG19 上的表現不如 PI 和 NTK，因為其達不到非微調 LLM 的目標上下文窗口長度。
例如，在 8k 上下文大小的情況下，YaRN 的困惑度在 7k 后達到峰值。
通過搜索，公式 2 中的重標度（rescaled）因子λ變得不均勻，與PI、NTK的公式計算和YaRN的分組計算中的固定標度s有所不同。
在8k和16k上下文窗口中，這些非均勻因子大大提高了LLaMA2的語言建模性能（即復雜度），而無需進行微調，主要是因為由此產生的位置嵌入有效地保留了原始的RoPE，尤其是關鍵維度，從而降低了LLM區分近似token位置的難度。
發現2：輸入序列中初始詞塊的RoPE推斷應減少插值；
對于輸入序列中的初始n個token，假設RoPE應該做較少的插值，這是因為會獲得較大的注意力分數，從而對注意力層至關重要，正如在Streaming LLM和 LM-Infinite 中觀察到的那樣。
為了驗證這一點，研究人員使用PI和NTK將上下文窗口擴展到 8k 和 16k，保留前 n（0,2, ..., 256）個token，不進行插值。當n=0 時，則恢復到原來的 PI 和 NTK
上表中可以觀察到兩個結果：
1. 保留起始token而不進行位置插值確實能提高性能。
2. 最佳起始token數n取決于目標擴展長度。
發現3：在微調和非微調設置中，非均勻位置插值都能有效擴展 LLM 上下文窗口。
雖然已經證明，在不進行微調的情況下，搜索到的非均勻位置插值能顯著提高8k和16k擴展性能，但更長的擴展需要微調。
因此使用搜索到的RoPE對LLaMA2-7B的64k上下文窗口大小進行了微調。
從結果中可以看到，在微調LLaMA2-7B之前和之后，該方法都明顯優于PI和YaRN，主要原因是有效地使用了非均勻位置插值、最小化信息損失，以及為微調提供了更好的初始化。
受上述發現的啟發，研究人員提出了LongRoPE，首先引入了一種高效的搜索算法，以充分利用這兩種不均勻性，并將LLM上下文窗口擴展到 200 萬個token
具體形式化算法參見原文。
實驗結果
研究人員將LongRoPE應用于LLaMA2-7B和Mistral-7B模型上，并從三個方面對其性能進行了評估：
1. 長文檔中擴展上下文 LLM 的困惑度；
2. 密鑰（passkey）檢索任務，該任務衡量模型從大量無關文本中檢索簡單密鑰的能力；
3. 4096上下文窗口的標準LLM基準；
在256k范圍內進行長序列語言建模
在Proof-pile和PG19上通過不同插值方法擴展的 LLaMA2 和 Mistral 的困惑度。
從實驗結果中可以得出兩個關鍵的結論：
1. 從 4k 到 256k 的評估長度來看，擴展模型展現出整體困惑度下降的趨勢，表明模型有能力利用更長的上下文；
2. 即使在上下文窗口長度為 16 倍的情況下（這通常是在較短上下文長度下保持性能所面臨的挑戰），我們的 LongRoPE-2048k 模型在 256k 上下文長度內的性能仍優于最先進的基線模型。
超過2000k的長序列語言建模
為了評估超長文檔的有效性，研究人員使用了Books3數據集。
為了評估效率，隨機選擇20本書，每本長度超過2048k個token，并使用256k的滑動窗口。
從結果中可以看出，LongRoPE成功地將LLaMA2-7B和Mistral-7B的上下文窗口擴展到2048k，同時還在8k-128k的較短長度內實現了與基線相當或更好的困惑度。
還可以觀察到2048k LLaMA2和Mistral之間的顯著性能差異：Mistral在較短的長度上優于基線，但困惑度在超過256k長度時達到7
LLaMA2的性能與預期一致：隨著時間的延長，困惑感會有所減少，在1024k和2048k時略有增加。
此外，在LLaMA2上，LongRoPE-2048k在256k比128k的微調長度下表現更好，主要是由于次級延伸比（secondary extension ratio）更小（即8倍對16倍）。
相比之下，Mistral在微調128k的窗口大小方面表現更好，主要原因是對于Mistral的128k和256k微調，研究人員遵循YaRN的設置使用16k訓練長度，影響了Mistral在微調后進一步擴展上下文窗口的能力。
本文轉自新智元 ，作者：新智元
