今天小编分享的科学经验：羊驼家族大模型集体进化！32k上下文追平GPT-4，田渊栋团队出品，欢迎阅读。
开源羊驼大模型 LLaMA 上下文追平 GPT-4，只需要一个简单改动！
Meta AI 这篇刚刚提交的论文表示，LLaMA 上下文視窗从 2k 扩展到 32k 后只需要小于 1000 步的微调。
与预训练相比，成本忽略不计。
扩展上下文視窗，就意味着 AI 的" 工作记忆 "容量增加，具体来说可以：
支持更多轮对话，减少遗忘现象，如更稳定的角色扮演
输入更多资料完成更复杂的任务，如一次处理更长文档或多篇文档
更重要的意义在于，所有基于 LLaMA 的羊驼大模型家族岂不是可以低成本采用此方法，集体进化？
羊驼是目前综合能力最强的开源基础模型，已经衍生出不少完全开源可商用大模型和垂直行业模型。
论文通信作者田渊栋也激动地在朋友圈分享这一新进展。
基于 RoPE 的大模型都能用
新方法名为位置插值（Position Interpolation），对使用RoPE（旋转位置编码）的大模型都适用。
RoPE 早在 2021 年就由追一科技团队提出，到现在已成为大模型最常见的位置编码方法之一。
但在此架构下直接使用外推法（Extrapolation）扩展上下文視窗，会完全破坏自注意力机制。
具体来说，超出预训练上下文长度之外的部分，会使模型困惑度（perplexity）飙升至和未经训练的模型相当。
新方法改成线性地缩小位置索引，扩展前后位置索引和相对距离的范围对齐。
用图表现二者的区别更加直观。
实验结果显示，新方法对从 7B 到 65B 的 LLaMA 大模型都有效。
在长序列语言建模（Long Sequence Language Modeling）、密钥检索（Passkey Retrieval）、长文档摘要（Long Document Summarization）中性能都没有明显下降。
除了实验之外，论文附录中也给出了对新方法的详细证明。
Three More Thing
上下文視窗曾经是开源大模型与商业大模型之间一个重要差距。
比如 OpenAI 的 GPT-3.5 最高支持 16k，GPT-4 支持 32k，AnthropicAI 的 Claude 更是高达 100k。
与此同时许多开源大模型如 LLaMA 和 Falcon 还停留在 2k。
现在，Meta AI 的新成果直接把这一差距抹平了。
扩展上下文視窗也是近期大模型研究的焦点之一，除了位置插值方法之外，还有很多尝试引起业界关注。
1、开发者 kaiokendev 在一篇技术博客中探索了一种将 LLaMa 上下文視窗扩展到 8k 的方法。
2、数据安全公司 Soveren 机器学习负责人 Galina Alperovich 在一篇文章中总结了扩展上下文視窗的 6 个技巧。
3、来自 Mila、IBM 等机构的团队还在一篇论文中尝试了在 Transformer 中完全去掉位置编码的方法。
有需要的小伙伴可以点击下方链接查看～
Meta 论文：
https://arxiv.org/abs/2306.15595
Extending Context is Hard … but not Impossible
https://kaiokendev.github.io/context
The Secret Sauce behind 100K context window in LLMs
https://blog.gopenai.com/how-to-speed-up-llms-and-use-100k-context-window-all-tricks-in-one-place-ffd40577b4c
无位置编码论文
https://arxiv.org/abs/2305.19466
