文章來源：新智元

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

圖片來源：由無界 AI生成

最近幾年發(fā)布的AI模型,，如語言,、視覺,、音頻,、生物等各種領域的大模型都離不開Transformer架構，但其核心模塊「注意力機制」的計算復雜度與「輸入序列長度」呈二次方增長趨勢,，這一特性嚴重限制了Transformer在長序列下的應用,，例如無法一次性處理一整本書，或是處理千兆像素級別的圖像,。

即便強如GPT-4也難以擺脫這種缺陷,。

最近，Together Research開源了一個全新的語言模型StripedHyena,，采用了針對「長上下文」的新架構,，可以處理高達128k個token的長上下文，并且改進了Transformer架構在訓練和推理上的性能,，為目前的主流架構提供了一種可選方案,。

開源鏈接：https://github.com/togethercomputer/stripedhyena

StripedHyena也是「首個」在短上下文和長上下文評估中,，以相同模型尺寸,，實現(xiàn)了與最佳開源Transformer模型性能相匹敵的模型：在OpenLLM基準任務上與Llama-2, Yi和Mistral 7B實現(xiàn)了相當?shù)男阅埽⑶以陂L上下文摘要上表現(xiàn)更出色,。

StripedHyena是一種混合架構,，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：通過將卷積表示為狀態(tài)空間模型（SSM,，state-space model）或截斷濾波器,，在Hyena塊中進行常數(shù)內存解碼。

實驗結果顯示，StripedHyena在32k個token,、64k個token和128k個token序列的端到端訓練中比傳統(tǒng)transformer快30%,、50%和100%以上。

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

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合才能匹配Transformer，也就是說二者在表達能力上存在差距,。

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

今年2月,，來自斯坦福大學和蒙特利爾大學（Mila and Université de Montréal）的研究人員提出了一個次二次下降的注意力替代品Hyena：在對數(shù)千到數(shù)十萬個token的序列進行召回和推理任務時,，Hyena比依賴于狀態(tài)空間和其他隱式和顯式方法的運算符提高了50多個點的準確性，匹配基于注意力的模型,。?

論文鏈接：https://arxiv.org/abs/2302.10866

研究人員在標準數(shù)據(jù)集（WikiText 103和The Pile）的語言建模上設置了一個新的免密集注意力架構，達到了Transformer的質量,，在序列長度為2k時所需的訓練計算減少了20%,；在序列長度為8k時，Hyena算子的速度是高度優(yōu)化注意力的兩倍,，在序列長度為64k時,，速度快100倍。

研究人員對高效次二次primitive進行組合,，如元素乘法（門控）和長卷積（即濾波器大小與輸入一樣長的卷積）,，最終從實驗結果中得到了肯定的答案。

根據(jù)最近在機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性的推理任務,，以提煉出注意力與其性能相關的三個特性，以及與現(xiàn)有次二次元方法之間的質量差距：

1. 數(shù)據(jù)控制（Data control）

注意力機制實現(xiàn)了一種富有表現(xiàn)力的數(shù)據(jù)控制線性算子,，在單個塊中對整個線性函數(shù)族進行編碼,。

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),，例如前饋神經網絡（FFN）。

3. 無限制的上下文（unrestricted context）

對于給定的輸入,，注意力具有不受限制的上下文,，可以近似任意兩個輸入之間的依賴關系，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層次結構

基于上述三個發(fā)現(xiàn),，研究人員提出Hyena層次結構，由兩個高效的二次基元遞歸定義的算子（長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??；對于短遞歸，現(xiàn)有模型可作為特例,。

通過將 Hyena 遞歸中的每一步映射到相應的矩陣形式,，研究人員發(fā)現(xiàn)Hyena算子可以等價地定義為數(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估 Hyena 算子。

從經驗上看,，Hyena 算子能夠顯著縮小與大規(guī)模注意力的質量差距,，以更少的計算成本實現(xiàn)了相似的困惑度和下游性能，而且無需混合注意力,。

縮小能力差距

設計Hyena的初衷是「標準稠密注意力」和「次二次運算符」之間的存在質量差距,，并且可以通過與大規(guī)模語言建模性能相關的推理任務來確定這一差距。

研究人員擴展了一套基本的機械可解釋性基準（歸納和召回）,，并增加了額外的任務以探究當任務復雜度增加（如詞匯量增加）時,，模型性能會如何快速下降。

此外,，文中還研究了 Hyena 中長卷積的最佳參數(shù)化,。

在具有數(shù)十萬詞條的最具挑戰(zhàn)性的設置中，隱式參數(shù)化方案比其他利用狀態(tài)空間,、頻域參數(shù)化或標準卷積的算子提高了50%以上的準確率,。

語言和視覺中的擴展

研究人員還驗證了推理基準套件中的排名是否能預測大規(guī)模質量，對Hyena 自回歸語言建模進行了十億以下參數(shù)規(guī)模的測試,，在標準數(shù)據(jù)集（WikiText103 和 The Pile）中的無稠密注意力架構中實現(xiàn)了新sota,，并與Transformer的質量相當。

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%浮點運算（FLOPs）總數(shù)達到了與Transformer相當?shù)睦Щ蠖戎笜恕?/p>

作為擴展,，研究人員在大規(guī)模圖像識別中測試了Hyena運算符的通用性，并在視覺Transformer（ViT）中取代了注意力,。

在圖像分類中,，當在ImageNet-1k數(shù)據(jù)集上從頭開始訓練時，Hyena 的準確率可以與注意力相媲美,。

面向更長的上下文

研究人員還對 Hyena 在長序列上的效率進行了基準測試,。在長度為 8192 的序列上，測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,，而在長度為 64k 的序列上，測得的速度是 FlashAttention 的 100 倍,。

參考資料：

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