它仅用8k大小的token文档进行训练，就能将Llama-2窗口扩展至128k。
最重要的是，在这个过程中，只需要原来1/6的内存，模型就获得了10倍吞吐量。
除此之外，它还能大大降低训练成本：
用该方法对7B大小的羊驼2进行改造，只需要一块A100就能搞定。
团队表示：
希望这个方法有用、好用，为未来的LLM们提供廉价又有效的长上下文能力。
目前，模型和代码都已在HuggingFace和GitHub上发布。
只需添加两个组件
这个方法名叫CEPE，全称“并行编码上下文扩展（Context Expansion with Parallel Encoding）”。
作为轻量级框架，它可用于扩展任何预训练和指令微调模型的上下文窗口。
对于任何预训练的仅解码器语言模型，CEPE通过添加两个小组件来实现扩展：
一个是小型编码器，用于对长上下文进行块编码；
一个是交叉注意力模块，插入到解码器的每一层，用于关注编码器表示。
完整架构如下：
在这个示意图中，编码器模型并行编码上下文的3个额外块，并与最终隐藏表示进行连接，然后作为解码器交叉注意力层的输入。
在此，交叉注意力层主要关注解码器模型中自注意力层和前馈层之间的编码器表示。
通过仔细选择无需标记的训练数据，CEPE就帮助模型具备了长上下文能力，并且也擅长文档检索。
作者介绍，这样的CEPE主要包含3大优势：
（1）长度可泛化
因为它不受位置编码的约束，相反，它的上下文是分段编码的，每一段都有自己的位置编码。
（2）效率高
使用小型编码器和并行编码来处理上下文可以降低计算成本。
同时，由于交叉注意力仅关注编码器最后一层的表示，而仅使用解码器的语言模型则需要缓存每个层每个token的键-值对，所以对比起来，CEPE需要的内存大大减少。
（3）降低训练成本
与完全微调方法不同，CEPE只调整编码器和交叉注意力，同时保持大型解码器模型冻结。
作者介绍，通过将7B解码器扩充为具有400M编码器和交叉注意力层的模型（总计14亿参数），用一块80GB的A100 GPU就可以完成。
困惑度持续降低
团队将CEPE应用于Llama-2，并在200亿 token的RedPajama过滤版本上进行训练（仅为Llama-2预训练预算的1%）。
首先，与LLAMA2-32K和YARN-64K这两种完全微调的模型相比，CEPE在所有数据集上都实现了更低或相当的困惑度，同时具有更低的内存使用率和更高的吞吐量。
在将上下文提升到128k时（远超其8k训练长度），CEPE的困惑度更是持续保持降低，同时保持低内存状态。
相比之下，Llama-2-32K和YARN-64K不仅不能推广到其训练长度之外，还伴随着内存成本显著增加。
其次，检索能力增强。
如下表所示：
通过使用检索到的上下文，CEPE可以有效改善模型困惑度，性能优于RePlug。
值得注意的是，即使让段落k=50 （训练是60），CEPE仍会继续改善困惑度。
这表明CEPE可以很好地转移到检索增强设置，而全上下文解码器模型在这个能力上却退化了。
第三，开放域问答能力显著超越。
如下图所示，CEPE在所有数据集和段落k参数上都大幅优于其他模型，且不像别的模型那样，k值越来越大之后性能明显下降。
这也表明，CEPE对大量冗余或不相关的段落并不敏感。
所以总结一下就是，与大多数其他解决办法相比，CEPE在上述所有任务上都能以低得多的内存和计算成本胜出。
最后，作者在这些基础上，提出了专门用于指令调优模型的CEPE-Distilled (CEPED)。
它仅使用未标记的数据来扩展模型的上下文窗口，通过辅助KL散度损失将原始指令调整模型的行为提炼为新架构，由此无需管理昂贵的长上下文指令跟踪数据。
最终，CEPED可以在保留指令理解能力的同时，扩展Llama-2的上下文窗口，提高模型长文本性能。
团队介绍
CEPE一共3位作者。
一作为颜和光（Howard Yen），普林斯顿大学计算机科学专业硕士生在读。
二作为高天宇，同校博士生在读，清华本科毕业。
文章来源网络，作者：管理，如若转载，请注明出处：https://shuyeidc.com/wp/225374.html<
