4k窗口長度就能讀長文，陳丹琦高徒聯手Meta推出大模型記憶力增強新方法
只有4k窗口長度的大模型，也能閱讀大段文本了！
普林斯頓的華人博士生的一項最新成果，成功“突破”了大模型窗口長度的限制。
不僅能回答各種問題，而且整個實現的過程全靠prompt就能完成，不需要任何的額外訓練。
研究團隊創建了一種名為MemWalker的樹形記憶策略，可以突破模型本身的窗口長度限制。
測試過程中，模型閱讀的最長文本包含了1.2萬+token，成績相比LongChat大幅提高。
相比于相似的TreeIndex，MemWalker可以進行推理并回答任何問題，而不是只做概括。
MemWalker的研發利用到了“分而治之”的思想，就此有網友這樣評論：
每次我們讓大模型的思考過程更像人類，它們的表現就會越好
那么，具體什么是樹形記憶策略，又是如何用有限的窗口長度閱讀長文本的呢？
一個窗口不夠，就多開幾個
模型上，MemWalker使用Stable Beluga 2作為基本模型，它是Llama 2-70B經過指令調優得到的。
在選擇該模型之前，開發者對比了其與原始Llama 2的表現，并最終確定選用。
就像MemWalker這個名字一樣，它的工作過程就像記憶流在行走。
具體來看，大致分為記憶樹構建和導航檢索兩個階段。
構建記憶樹時，長文本會被分割成多個小段（seg1-6），并由大模型分別針對每一段做出總結，得到“葉子節點”（leaf nodes，summ1-6）。
分割時，每段的長度越長，層級就會越少，有利于后續檢索，但其本身過長又會導致準確度下降，因此需要綜合考慮確定每段長度。
作者認為，每一段合理的長度是500-2000token，而實驗中使用的為1000token。
然后，模型遞歸地對這些葉子節點的內容再次進行總結，形成“非葉節點”(non-leaf nodes，summ7-8）。
二者的另一個區別是，葉子節點包含了原始信息，非葉節點只有概括得到的二級信息。
作用上，非葉節點用于導航定位答案所在的葉子節點，而葉子節點則用于推理出答案。
其中的非葉節點可以有多個層級，模型逐步進行總結概括，直到得到“根節點”，形成完整的樹形結構。
記憶樹建立完畢后，就可以進入導航檢索階段來生成答案了。
這一過程中，模型從根節點開始，逐一讀取下一級子節點的內容，然后推理出應該進入這個節點還是返回。
決定進入這個節點之后，再次重復這樣的過程，直到讀取到葉節點。如果葉節點的內容合適則生成答案，否則返回。
為了確保答案的完整性，這個過程的結束條件并非發現了一個合適的葉節點，而是模型認為得到了完整答案，或者達到最大步數。
導航過程中，如果模型發現進入了錯誤的路徑，還可以導航回退。
此外，MemWalker中還引入了工作記憶機制來來提高準確度。
該機制會將已經訪問過的節點內容加入到當前內容的上下文中。
當模型進入一個新節點時，當前節點內容都會被加入到記憶中。
這一機制讓模型在每一步都可以利用訪問過的節點內容，避免重要信息的丟失。
實驗結果顯示，工作記憶機制可以將MemWalker的準確率提升10%左右。
而且，上面所說的過程只依靠prompt就能完成，不需要進行額外的訓練。
理論上，只要有足夠的算力，MemWalker可以閱讀無限長的文本。
不過，記憶樹構建時的時間和空間復雜度隨著文本長度的增長是呈指數型的。
作者簡介
論文第一作者是普林斯頓大學NLP實驗室華人博士生Howard Chen。
清華姚班校友陳丹琦是Howard的導師，她今年在ACL上的學術報告也與搜索有關。
這項成果是Howard在Meta實習期間完成的，Meta AI實驗室的Ramakanth Pasunuru，Jason Weston和Asli Celikyilmaz三位學者也參與了本項目。
