陳丹琦團隊新作：Llama-2上下文擴展至128k，10倍吞吐量僅需1/6內(nèi)存
陳丹琦團隊剛剛發(fā)布了一種新的LLM上下文窗口擴展方法：
它僅用8k大小的token文檔進行訓(xùn)練，就能將Llama-2窗口擴展至128k。
最重要的是，在這個過程中，只需要原來1/6的內(nèi)存，模型就獲得了10倍吞吐量。
除此之外，它還能大大降低訓(xùn)練成本：
用該方法對7B大小的羊駝2進行改造，只需要一塊A100就能搞定。
團隊表示：
希望這個方法有用、好用，為未來的LLM們提供廉價又有效的長上下文能力。
目前，模型和代碼都已在HuggingFace和GitHub上發(fā)布。
只需添加兩個組件
這個方法名叫CEPE，全稱“并行編碼上下文擴展（Context Expansion with Parallel Encoding）”。
作為輕量級框架，它可用于擴展任何預(yù)訓(xùn)練和指令微調(diào)模型的上下文窗口。
對于任何預(yù)訓(xùn)練的僅解碼器語言模型，CEPE通過添加兩個小組件來實現(xiàn)擴展：
一個是小型編碼器，用于對長上下文進行塊編碼；
一個是交叉注意力模塊，插入到解碼器的每一層，用于關(guān)注編碼器表示。
完整架構(gòu)如下：
在這個示意圖中，編碼器模型并行編碼上下文的3個額外塊，并與最終隱藏表示進行連接，然后作為解碼器交叉注意力層的輸入。
在此，交叉注意力層主要關(guān)注解碼器模型中自注意力層和前饋層之間的編碼器表示。
通過仔細選擇無需標(biāo)記的訓(xùn)練數(shù)據(jù)，CEPE就幫助模型具備了長上下文能力，并且也擅長文檔檢索。
作者介紹，這樣的CEPE主要包含3大優(yōu)勢：
（1）長度可泛化
因為它不受位置編碼的約束，相反，它的上下文是分段編碼的，每一段都有自己的位置編碼。
（2）效率高
使用小型編碼器和并行編碼來處理上下文可以降低計算成本。
同時，由于交叉注意力僅關(guān)注編碼器最后一層的表示，而僅使用解碼器的語言模型則需要緩存每個層每個token的鍵-值對，所以對比起來，CEPE需要的內(nèi)存大大減少。
（3）降低訓(xùn)練成本
與完全微調(diào)方法不同，CEPE只調(diào)整編碼器和交叉注意力，同時保持大型解碼器模型凍結(jié)。
作者介紹，通過將7B解碼器擴充為具有400M編碼器和交叉注意力層的模型（總計14億參數(shù)），用一塊80GB的A100 GPU就可以完成。
困惑度持續(xù)降低
團隊將CEPE應(yīng)用于Llama-2，并在200億 token的RedPajama過濾版本上進行訓(xùn)練（僅為Llama-2預(yù)訓(xùn)練預(yù)算的1%）。
首先，與LLAMA2-32K和YARN-64K這兩種完全微調(diào)的模型相比，CEPE在所有數(shù)據(jù)集上都實現(xiàn)了更低或相當(dāng)?shù)?strong>困惑度，同時具有更低的內(nèi)存使用率和更高的吞吐量。
在將上下文提升到128k時（遠超其8k訓(xùn)練長度），CEPE的困惑度更是持續(xù)保持降低，同時保持低內(nèi)存狀態(tài)。
相比之下，Llama-2-32K和YARN-64K不僅不能推廣到其訓(xùn)練長度之外，還伴隨著內(nèi)存成本顯著增加。
其次，檢索能力增強。
如下表所示：
通過使用檢索到的上下文，CEPE可以有效改善模型困惑度，性能優(yōu)于RePlug。
值得注意的是，即使讓段落k=50 （訓(xùn)練是60），CEPE仍會繼續(xù)改善困惑度。
這表明CEPE可以很好地轉(zhuǎn)移到檢索增強設(shè)置，而全上下文解碼器模型在這個能力上卻退化了。
第三，開放域問答能力顯著超越。
如下圖所示，CEPE在所有數(shù)據(jù)集和段落k參數(shù)上都大幅優(yōu)于其他模型，且不像別的模型那樣，k值越來越大之后性能明顯下降。
這也表明，CEPE對大量冗余或不相關(guān)的段落并不敏感。
所以總結(jié)一下就是，與大多數(shù)其他解決辦法相比，CEPE在上述所有任務(wù)上都能以低得多的內(nèi)存和計算成本勝出。
最后，作者在這些基礎(chǔ)上，提出了專門用于指令調(diào)優(yōu)模型的CEPE-Distilled (CEPED)。
它僅使用未標(biāo)記的數(shù)據(jù)來擴展模型的上下文窗口，通過輔助KL散度損失將原始指令調(diào)整模型的行為提煉為新架構(gòu)，由此無需管理昂貴的長上下文指令跟蹤數(shù)據(jù)。
最終，CEPED可以在保留指令理解能力的同時，擴展Llama-2的上下文窗口，提高模型長文本性能。
團隊介紹
CEPE一共3位作者。
一作為顏和光（Howard Yen），普林斯頓大學(xué)計算機科學(xué)專業(yè)碩士生在讀。
二作為高天宇，同校博士生在讀，清華本科畢業(yè)。
他們都是通訊作者陳丹琦的學(xué)生。
論文原文：https://arxiv.org/abs/2402.16617
參考鏈接：https://twitter.com/HowardYen1/status/1762474556101661158
