文章來(lái)源：新智元

Hyena處理長(zhǎng)序列輸入比FlashAttention速度高100倍,！最新發(fā)布的StripedHyena模型可能成下一代AI架構(gòu)的新標(biāo)準(zhǔn)？

圖片來(lái)源：由無(wú)界 AI生成

最近幾年發(fā)布的AI模型，如語(yǔ)言,、視覺(jué),、音頻、生物等各種領(lǐng)域的大模型都離不開(kāi)Transformer架構(gòu),，但其核心模塊「注意力機(jī)制」的計(jì)算復(fù)雜度與「輸入序列長(zhǎng)度」呈二次方增長(zhǎng)趨勢(shì),，這一特性嚴(yán)重限制了Transformer在長(zhǎng)序列下的應(yīng)用，例如無(wú)法一次性處理一整本書，或是處理千兆像素級(jí)別的圖像,。

即便強(qiáng)如GPT-4也難以擺脫這種缺陷,。

最近，Together Research開(kāi)源了一個(gè)全新的語(yǔ)言模型StripedHyena,，采用了針對(duì)「長(zhǎng)上下文」的新架構(gòu),，可以處理高達(dá)128k個(gè)token的長(zhǎng)上下文，并且改進(jìn)了Transformer架構(gòu)在訓(xùn)練和推理上的性能,，為目前的主流架構(gòu)提供了一種可選方案,。

開(kāi)源鏈接：https://github.com/togethercomputer/stripedhyena

StripedHyena也是「首個(gè)」在短上下文和長(zhǎng)上下文評(píng)估中,，以相同模型尺寸，實(shí)現(xiàn)了與最佳開(kāi)源Transformer模型性能相匹敵的模型：在OpenLLM基準(zhǔn)任務(wù)上與Llama-2, Yi和Mistral 7B實(shí)現(xiàn)了相當(dāng)?shù)男阅?，并且在長(zhǎng)上下文摘要上表現(xiàn)更出色,。

StripedHyena是一種混合架構(gòu),，由多頭、分組查詢注意力和排列在Hyena塊中的門控卷積組成,，不同于傳統(tǒng)的decoder-only的Transformer：通過(guò)將卷積表示為狀態(tài)空間模型（SSM,，state-space model）或截?cái)酁V波器，在Hyena塊中進(jìn)行常數(shù)內(nèi)存解碼,。

實(shí)驗(yàn)結(jié)果顯示,，StripedHyena在32k個(gè)token、64k個(gè)token和128k個(gè)token序列的端到端訓(xùn)練中比傳統(tǒng)transformer快30%,、50%和100%以上,。

SH 7B的另一個(gè)優(yōu)點(diǎn)是，與Transformer相比,，自回歸生成期間的內(nèi)存占用減少了50%以上,；在Transformers中，每個(gè)層的鍵和值在預(yù)填充階段被緩存,，以避免重新計(jì)算并加快增量解碼,。

Hyena塊

現(xiàn)有的基于低秩和稀疏近似的次二次（subquadratic）方法需要與稠密的注意層相結(jié)合才能匹配Transformer,，也就是說(shuō)二者在表達(dá)能力上存在差距。

也就是說(shuō)，注意力機(jī)制在語(yǔ)言處理中只利用了其二次方能力的一小部分,，所以研究問(wèn)題在于,，是否存在一個(gè)次二次算子，在大規(guī)模訓(xùn)練時(shí)的性能可以與注意力機(jī)制相匹敵,？

今年2月,，來(lái)自斯坦福大學(xué)和蒙特利爾大學(xué)（Mila and Université de Montréal）的研究人員提出了一個(gè)次二次下降的注意力替代品Hyena：在對(duì)數(shù)千到數(shù)十萬(wàn)個(gè)token的序列進(jìn)行召回和推理任務(wù)時(shí)，Hyena比依賴于狀態(tài)空間和其他隱式和顯式方法的運(yùn)算符提高了50多個(gè)點(diǎn)的準(zhǔn)確性,，匹配基于注意力的模型,。?

論文鏈接：https://arxiv.org/abs/2302.10866

研究人員在標(biāo)準(zhǔn)數(shù)據(jù)集（WikiText 103和The Pile）的語(yǔ)言建模上設(shè)置了一個(gè)新的免密集注意力架構(gòu),，達(dá)到了Transformer的質(zhì)量，在序列長(zhǎng)度為2k時(shí)所需的訓(xùn)練計(jì)算減少了20%,；在序列長(zhǎng)度為8k時(shí),，Hyena算子的速度是高度優(yōu)化注意力的兩倍，在序列長(zhǎng)度為64k時(shí),，速度快100倍,。

研究人員對(duì)高效次二次primitive進(jìn)行組合，如元素乘法（門控）和長(zhǎng)卷積（即濾波器大小與輸入一樣長(zhǎng)的卷積）,，最終從實(shí)驗(yàn)結(jié)果中得到了肯定的答案,。

根據(jù)最近在機(jī)制可解釋性方面所做的工作（如召回recall和歸納induction），研究人員制定了一系列有針對(duì)性的推理任務(wù),，以提煉出注意力與其性能相關(guān)的三個(gè)特性,，以及與現(xiàn)有次二次元方法之間的質(zhì)量差距：

1. 數(shù)據(jù)控制（Data control）

注意力機(jī)制實(shí)現(xiàn)了一種富有表現(xiàn)力的數(shù)據(jù)控制線性算子，在單個(gè)塊中對(duì)整個(gè)線性函數(shù)族進(jìn)行編碼,。

2. 次線性參數(shù)縮放（sublinear parameter scaling）

將注意力層的參數(shù)數(shù)量與序列長(zhǎng)度脫鉤,，允許Transformers在注意力層之間的其他地方分配更多參數(shù)，例如前饋神經(jīng)網(wǎng)絡(luò)（FFN）,。

3. 無(wú)限制的上下文（unrestricted context）

對(duì)于給定的輸入,，注意力具有不受限制的上下文，可以近似任意兩個(gè)輸入之間的依賴關(guān)系,，而不受任意限制,，如局部性（locality）；但使用掩碼的情況除外,，如自回歸模型,。

Hyena層次結(jié)構(gòu)

基于上述三個(gè)發(fā)現(xiàn)，研究人員提出Hyena層次結(jié)構(gòu),，由兩個(gè)高效的二次基元遞歸定義的算子（長(zhǎng)卷積和元素乘法門控）組成,。

遞歸的指定深度（即步數(shù)）可控制算子的大??；對(duì)于短遞歸，現(xiàn)有模型可作為特例,。

通過(guò)將 Hyena 遞歸中的每一步映射到相應(yīng)的矩陣形式,，研究人員發(fā)現(xiàn)Hyena算子可以等價(jià)地定義為數(shù)據(jù)控制矩陣的分解，即entries為輸入函數(shù)的矩陣,。

此外,，研究人員還展示了如何利用快速卷積算法，在不具體化全矩陣的情況下高效地評(píng)估 Hyena 算子,。

從經(jīng)驗(yàn)上看,，Hyena 算子能夠顯著縮小與大規(guī)模注意力的質(zhì)量差距，以更少的計(jì)算成本實(shí)現(xiàn)了相似的困惑度和下游性能,，而且無(wú)需混合注意力,。

縮小能力差距

設(shè)計(jì)Hyena的初衷是「標(biāo)準(zhǔn)稠密注意力」和「次二次運(yùn)算符」之間的存在質(zhì)量差距，并且可以通過(guò)與大規(guī)模語(yǔ)言建模性能相關(guān)的推理任務(wù)來(lái)確定這一差距,。

研究人員擴(kuò)展了一套基本的機(jī)械可解釋性基準(zhǔn)（歸納和召回）,，并增加了額外的任務(wù)以探究當(dāng)任務(wù)復(fù)雜度增加（如詞匯量增加）時(shí)，模型性能會(huì)如何快速下降,。

此外,，文中還研究了 Hyena 中長(zhǎng)卷積的最佳參數(shù)化。

在具有數(shù)十萬(wàn)詞條的最具挑戰(zhàn)性的設(shè)置中,，隱式參數(shù)化方案比其他利用狀態(tài)空間,、頻域參數(shù)化或標(biāo)準(zhǔn)卷積的算子提高了50%以上的準(zhǔn)確率。

語(yǔ)言和視覺(jué)中的擴(kuò)展

研究人員還驗(yàn)證了推理基準(zhǔn)套件中的排名是否能預(yù)測(cè)大規(guī)模質(zhì)量,，對(duì)Hyena 自回歸語(yǔ)言建模進(jìn)行了十億以下參數(shù)規(guī)模的測(cè)試,，在標(biāo)準(zhǔn)數(shù)據(jù)集（WikiText103 和 The Pile）中的無(wú)稠密注意力架構(gòu)中實(shí)現(xiàn)了新sota，并與Transformer的質(zhì)量相當(dāng),。

在3.35億參數(shù)規(guī)模的The Pile數(shù)據(jù)集上,，該系統(tǒng)以減少20%浮點(diǎn)運(yùn)算（FLOPs）總數(shù)達(dá)到了與Transformer相當(dāng)?shù)睦Щ蠖戎笜?biāo),。

作為擴(kuò)展,，研究人員在大規(guī)模圖像識(shí)別中測(cè)試了Hyena運(yùn)算符的通用性，并在視覺(jué)Transformer（ViT）中取代了注意力,。

在圖像分類中,，當(dāng)在ImageNet-1k數(shù)據(jù)集上從頭開(kāi)始訓(xùn)練時(shí)，Hyena 的準(zhǔn)確率可以與注意力相媲美,。

面向更長(zhǎng)的上下文

研究人員還對(duì) Hyena 在長(zhǎng)序列上的效率進(jìn)行了基準(zhǔn)測(cè)試,。在長(zhǎng)度為 8192 的序列上，測(cè)得的速度是稠密自注意力的 5 倍，是高度優(yōu)化的 FlashAttention的 2 倍,，而在長(zhǎng)度為 64k 的序列上,，測(cè)得的速度是 FlashAttention 的 100 倍。

參考資料：

https://archive.ph/SDJMv#selection-2025.0-2028.0