Transformer最近几年已然成为大模型的标配，而Meta团队开发的一款Megabyte模型声称能解决Transformer的硬伤，速度还要快四成。
自2017年在论文「Attention is All You Need」中提出之后，这个新的网络结构，刷爆了各大翻译任务，同时创造了多项新的记录。但Transformer在处理长字节序列时有个硬伤，就是算力损耗严重，而Meta的研究人员的最新成果则可以很好地解决这一缺陷。
他们推出了一种全新的模型架构，能跨多种格式生成超过100万个token，并超越GPT-4等模型背后的现有 Transformer架构的功能。
这个模型被称为「兆字节」（Megabyte），是一种多尺度解码器架构（Multi-scale Decoder Architecture），可以对超过一百万字节的序列进行端到端可微分建模。
论文链接：https://arxiv.org/abs/2305.07185
相比Transformer，Megabyte模型展示了一种独特的不同架构，将输入和输出序列划分为patch而不是单个token。如下图，在每个patch中，本地AI模型生成结果，而全局模型管理和协调所有patch的最终输出。
首先，字节序列被分割成固定大小的patch，大致类似于token，这个模型由三部分组成：
(1) patch嵌入器：通过无损地连接每个字节的嵌入来简单地编码patch
(2) 一个全局模型：一个输入和输出patch表示的大型自回归变换器
(3) 一个本地模型：一个预测patch中字节的小型自回归模型
研究人员观察到，对于多数任务而言字节预测都相对容易（如完成给定前几个字符的单词），这意味着每个字节的大型网络是不必要的，并且可以使用更小的模型进行内部预测。
这种方法解决了当今AI模型中普遍存在的可扩展性挑战，Megabyte 模型的patch系统允许单个前馈网络在包含多个token的patch上运行，从而有效解决了自注意力缩放问题。
其中，Megabyte架构对长序列建模的Transformer进行了三项主要改进：
- 二次自注意力（Sub-quadratic self-attention）
大多数关于长序列模型的工作都集中在减轻自注意力的二次成本上，而Megabyte将长序列分解为两个较短的序列，即使对于长序列也仍然易于处理。
- patch前馈层（Per-patch feedforward layers）
在GPT-3大小的模型中，超过98%的FLOPS用于计算位置前馈层，Megabyte每个patch使用大型前馈层，以相同的成本实现更大、性能更强的模型。在patch大小为P的情况下，基线转换器将使用具有m个参数的相同前馈层P次，兆字节可以以相同的成本使用具有mP个参数的层一次。
- 解码中的并行性（Parallelism in Decoding）
Transformers必须在生成期间串行执行所有计算，因为每个时间步的输入是前一个时间步的输出，通过并行生成patch的表示，Megabyte允许在生成过程中实现更大的并行性。
例如，具有1.5B参数的Megabyte模型生成序列的速度比标准的350MTransformer快40%，同时在使用相同的计算量进行训练时还能改善困惑度。
Megabyte远远优于其他模型，并提供与在子词上训练的 sota 模型竞争的结果。相比之下，OpenAI 的GPT-4有32,000个token的限制，而Anthropic的Claude有100,000个token的限制。
此外，在运算效率方面，在固定模型大小和序列长度范围内，Megabyte比同等大小的Transformers和Linear Transformers使用更少的token，允许以相同的计算成本使用更大的模型。
内容中包含的图片若涉及版权问题，请及时与我们联系删除
评论
沙发等你来抢