【#區(qū)塊鏈# #Hyena成下一代Transformer？StripedHyena-7B開源：最高128k輸入，訓(xùn)練速度提升50%#】

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(gòu)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(lǐng)域的大模型都離不開Transformer架構(gòu)，但其核心模塊「注意力機制」的計算復(fù)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(yīng)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(gòu)，可以處理高達128k個token的長上下文，并且改進了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(wù)上與Llama-2, Yi和Mistral 7B實現(xiàn)了相當?shù)男阅?，并且在長上下文摘要上表現(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(nèi)存解碼。

實驗結(jié)果顯示，StripedHyena在32k個token、64k個token和128k個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的另一個優(yōu)點是，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，每個層的鍵和值在預(yù)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(jié)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(xùn)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(xué)和蒙特利爾大學(xué)（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(wù)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(shè)置了一個新的免密集注意力架構(gòu)，達到了Transformer的質(zhì)量，在序列長度為2k時所需的訓(xùn)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(jié)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(wù)，以提煉出注意力與其性能相關(guān)的三個特性，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(jīng)網(wǎng)絡(luò)（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(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)

基于上述三個發(fā)現(xiàn)，研究人員提出Hyena層次結(jié)構(gòu)，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)）可控制算子的大小；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(yīng)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(jīng)驗上看，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(shè)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(zhì)量差距，并且可以通過與大規(guī)模語言建模性能相關(guān)的推理任務(wù)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(wù)以探究當任務(wù)復(fù)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(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(yù)測大規(guī)模質(zhì)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(gòu)中實現(xiàn)了新sota，并與Transformer的質(zhì)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(xùn)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