职贝云数AI新零售门户

标题: AI大模型实战——模型核心技术目的:如何提高上下文长度 [打印本页]

---

作者: KOsV    时间: 3 天前
标题: AI大模型实战——模型核心技术目的:如何提高上下文长度
@ 目录

一、背景二、为什么超长上下文很重要三、为什么会有上下文限制

3.1、计算资源限制3.2、内存耗费3.3、宽带限制

四、如何支持更长上下文

4.1、稀疏留意力机制4.2、滑动窗口4.3、降采样

五、超长上下文测试的很风趣的例子

一、背景

这篇文章我会给你引见大模型中非常重要的一个技术目的：上下文长度。我们知道，AI 问答类产品和传统问答类产品，在运用层面上有一个很重要的区别就是上下文，AI 问答产品可以根据上下文停止愈加深层次的问答，给我们的感觉就是很智能，很兽性化。前阵子非常火的 AI 问答产品 Kimi，就是以超长上下文著称，比如支持 200 万字长文本输入，一次性输入几本书，可以准确停止内容整理输入；再比如 GPT-4-turbo，支持 128K 上下文长度，还有像 6B，最新版本曾经支持 32K 上下文长度。以前各大厂商在宣传本人的产品的时分，讲的最次要的一方面就是参数规模，如今除了参数规模，还常常提的就是支持的上下文长度，所以业界有人笑称，大模型卷完参数，末尾卷上下文了。往年 3 月份，阿里云通义千问曾经将上下文长度直接提升至 1000 万字，是 Kimi 的 5 倍，而且收费提供给客户运用，一下子卷到了极致。

二、为什么超长上下文很重要

用 Kimi 所在公司月之暗面（Moonshot）的创始人杨植麟的话说，Lossless long context is everything，杨植麟判别 AI 产品的终极价值是提供个性化的交互，⽽lossless long-context 是完成这⼀点的基础。模型的微调不应该⻓期存在， 用户跟模型的交互历史就是最好的个性化过程。

我们知道，在传统计算中有两个核⼼准绳：计算是按照顺序逐渐进⾏的，每⼀步都有有限的复杂度容量。⼤型语⾔模型可以被看作是退化了的计算实体，所以⼤模型可以达到的最⾼⽔平由两个要素决议：一个是单步骤的容量，即模型在每⼀步中可以处理的信息量，对应参数量；另一个是执⾏的步骤数，也就是模型可以处理的上下⽂⻓度。

目前，大部分大模型研讨都集中在添加模型参数量的大小，即加强「单步骤容量」。但是在保持⼀定参数量的同时放大另⼀个维度，即「步骤数」或上下文长度也异样重要。上下文窗口就像⼤模型运用的新「内存」，窗口越大，用户能用它做的事情就越广泛；同时，窗口所能包容的信息越多，模型在生成下⼀个 token 时可以参考的信息就越多，「幻觉」发生的能够性就越小，生成的信息就越准确。

举几个很实践的例子。



招聘场景，在系统上传 50 份简历，每份简历都是⼀个 PDF⽂档，50 个简历上传之后，提要求，⽐如要具有⼀定的英语⽔平，有⽐较强的技术背景等，智能助⼿在阅读完这 50 份简历之后，⻢上就给出来了 Top5 引荐，最后 Top2 的两个⼈刚好就是最后实践被录⽤的。



再比如打⻋发票整理，直接上传 50 个发票，智能助⼿可以⾃动整理你过去⼀个⽉的⾏程到底是什么样的，直接整理出来⼀个报销⽂档。



⼜或者有好⼏篇英⽂论⽂，你想做⽐较、分析，智能助⼿可以利⽤它的⻓⽂天分⼒，很好地完成义务。

三、为什么会有上下文限制

3.1、计算资源限制

就拿 Transformer 架构来讲，后面文章讲过留意力机制，一切的输入会被切分成一个一个 token，留意力机制就是在预测下一个词的时分，可以计算当前 token 和其他 token 的关系，假如输入序列非常大，切分出来的 token 就多，留意力机制计算的时分，需求的算力就会更大。Transformer 模型中自留意力机制的计算量。会随着上下文长度的添加呈平方级增长，比如上下文长度添加 32 倍时，计算量实践会增长1000 倍，这意味着假如只是用朴素的方式完成，用户需求等待极其长的工夫才能获得反馈，所以假如想要获得疾速反馈，那么必须添加算力，这是核心缘由。

3.2、内存耗费

随着输入序列长度的添加，模型在每个处理步骤中需求保留更多的中间形态信息。这会分明添加 GPU 或其他处理器的内存需求。在实际中，这个成绩限制了模型可以处理的最大序列长度，以顺应可用的硬件资源。

3.3、宽带限制

以 1750 亿参数的 GPT-3 为例，目前最高单机配置（80GiB * 8）最多只能支持 64k 上下文长度的推理，超长文本对显存的要求可见⼀般。这带来了极大的显存带宽压力：英伟达 A800 或 H800 的显存带宽高达 2～3TB/s，但面对如此长的上下文，普通方法的生成速度只能达到 2～5tokens/s，运用的时分极其卡顿，体验很糟。

四、如何支持更长上下文

4.1、稀疏留意力机制

稀疏留意力机制是一种优化过的留意力计算方法，运用全衔接留意力时，每个元素都会与序列中的其他元素计算留意力关系，而在稀疏留意力机制中，元素只与序列中选择的部分元素建立这种关系。这种选择可以基于预定义的形式，比如部分窗口、固定形式等，也可以是经过学习得到的动态形式。稀疏留意力机制的次要优势是分明降低了计算复杂度和内存需求，使模型可以高效地处理更长的序列。这一机制特别合适需求模型了解和处理大范围上下文信息的运用。

4.2、滑动窗口

滑动窗口是一种简单的限制方法，用于减少自留意力计算的复杂度。在这种方法中，每个令牌只关注它附近的一小部分令牌。例如，假如设置窗口大小为 5，那么每个令牌只会与它前后两个地位的令牌停止交互（总共 5 个令牌）。这种方法能有效降低计算量，由于它限制了每次计算触及的令牌数量。

滑动窗口和稀疏留意力都是减少留意力计算的方法，不过二者有区别。



计算复杂度：滑动窗口经过简单地降低每个令牌关注的范围来减少复杂度，而稀疏留意力经过更智能的选择关注点来优化计算。



灵敏性：滑动窗口技术相对固定，每个令牌的关注范围是固定的。稀疏留意力则更灵敏，可以根据义务的需求调整关注的范围和形式。



完成难度：滑动窗口技术完成起来相对简单，而稀疏留意力能够需求复杂的数据结构和算法，尤其是在动态选择关注点的时分。

4.3、降采样

降采样就比较粗暴了，就是一种数据减少技术，减少输入序列，同时尽量保留重要信息，比如只选择序列中的某些部分单词，或经过合并相邻的元素，来创建一个更短的序列。比如当我们输入一本 20 万字的 PDF 书籍时，经过一定的策略，只取其中我们以为重要的内容，经过处理后，喂给模型的能够只要 2 万字。这样的方法优势优势都很分明，优势就是可以让模型支持更长的上下文，优势就是有能够丢失有用的信息，使模型的功能下降。

以上这些方式是比较常见的，不过也有人以为，这些都是处理上下文长度成绩的“技术捷径”，牺牲的是模型的功能，由于无论是稀疏留意力、滑动窗口还是降采样，都是自动丢弃不重要的数据，那么在评价不重要的数据过程中，很有能够产生误判，从而影响模型功能。

那终究什么方法不是捷径呢？在月之暗面披露的关于 Kimi 如何处理上下文长度成绩的技术细节中，提到了这样的方式，我们一同来看下。

1、模型训练方面



在传统的 Tensor 并⾏、Data 并⾏、Pipeline 并⾏基础上，添加了多项基于 Seqence 维度的并⾏策略，提升了并⾏效率。利⽤定制版的 Flash Attention、Fuse Cross Entropy、CPU offload 等技术⼤幅度降低了显存压⼒。还使⽤了创新的训练⽅法，针对性地调配了多阶段式训练⽅法，让模型保留基础才能的前提下，逐渐激活⻓上下⽂的能⼒。



2、模型推理方面



⽤GQA 交换 MHA：让 KVCache 所占⽤的显存⼤⼩⼤幅度缩⼩。



2Paged attention：保证显存的充分利⽤。



低⽐特量化：经过 W8A8，最多可以把推理速度在上述基础上再提升⼀倍。



MoE & KVCache 裁减：让显存占⽤在上述基础上再下降⼀倍。

五、超长上下文测试的很风趣的例子

在⽂本语料中藏⼊⼀个与⽂本语料不相关的句⼦，比如在整本《西游记》⾥放⼊⼀句只会在 《红楼梦》里出现的话，然后看大模型能不能经过自然言语发问的方式，即 Prompt，把这句话准确地提取出来。藏起来的那句话就是“针”，《西游记》就是大海。国外有一个大模型开发者 Greg Kamradt，在 GPT-4 Trubo（128K）以及 Claude2.1（200K）上停止过测试，效果并不好，Kimi 的工程师用了相反的方法测试，经过几轮的测试，发现效果时好时坏，且有一些规律：效果好坏取决于 Prompt 和内容（即“大海”和“针”），而且并没有强分歧的结果。经过几轮测试，Kimi 的工程师发现，除了大模型本身的长文本记忆才能和指令遵照才能，其实还有两个关键点对结果起了分明作用： ⼀是藏在“大海”中的“针”能否完全没有歧义；⼆是向⼤模型发问的 Prompt 写得能否足够明白。

---

欢迎光临 职贝云数AI新零售门户 (https://www.taojin168.com/cloud/)

Powered by Discuz! X3.5