今天小編分享的科學經驗：羊駝家族大模型集體進化！32k上下文追平GPT-4，田淵棟團隊出品，歡迎閲讀。
開源羊駝大模型 LLaMA 上下文追平 GPT-4，只需要一個簡單改動！
Meta AI 這篇剛剛提交的論文表示，LLaMA 上下文視窗從 2k 擴展到 32k 後只需要小于 1000 步的微調。
與預訓練相比，成本忽略不計。
擴展上下文視窗，就意味着 AI 的" 工作記憶 "容量增加，具體來説可以：
支持更多輪對話，減少遺忘現象，如更穩定的角色扮演
輸入更多資料完成更復雜的任務，如一次處理更長文檔或多篇文檔
更重要的意義在于，所有基于 LLaMA 的羊駝大模型家族豈不是可以低成本采用此方法，集體進化？
羊駝是目前綜合能力最強的開源基礎模型，已經衍生出不少完全開源可商用大模型和垂直行業模型。
論文通信作者田淵棟也激動地在朋友圈分享這一新進展。
基于 RoPE 的大模型都能用
新方法名為位置插值（Position Interpolation），對使用RoPE（旋轉位置編碼）的大模型都适用。
RoPE 早在 2021 年就由追一科技團隊提出，到現在已成為大模型最常見的位置編碼方法之一。
但在此架構下直接使用外推法（Extrapolation）擴展上下文視窗，會完全破壞自注意力機制。
具體來説，超出預訓練上下文長度之外的部分，會使模型困惑度（perplexity）飙升至和未經訓練的模型相當。
新方法改成線性地縮小位置索引，擴展前後位置索引和相對距離的範圍對齊。
用圖表現二者的區别更加直觀。
實驗結果顯示，新方法對從 7B 到 65B 的 LLaMA 大模型都有效。
在長序列語言建模（Long Sequence Language Modeling）、密鑰檢索（Passkey Retrieval）、長文檔摘要（Long Document Summarization）中性能都沒有明顯下降。
除了實驗之外，論文附錄中也給出了對新方法的詳細證明。
Three More Thing
上下文視窗曾經是開源大模型與商業大模型之間一個重要差距。
比如 OpenAI 的 GPT-3.5 最高支持 16k，GPT-4 支持 32k，AnthropicAI 的 Claude 更是高達 100k。
與此同時許多開源大模型如 LLaMA 和 Falcon 還停留在 2k。
現在，Meta AI 的新成果直接把這一差距抹平了。
擴展上下文視窗也是近期大模型研究的焦點之一，除了位置插值方法之外，還有很多嘗試引起業界關注。
1、開發者 kaiokendev 在一篇技術博客中探索了一種将 LLaMa 上下文視窗擴展到 8k 的方法。
2、數據安全公司 Soveren 機器學習負責人 Galina Alperovich 在一篇文章中總結了擴展上下文視窗的 6 個技巧。
3、來自 Mila、IBM 等機構的團隊還在一篇論文中嘗試了在 Transformer 中完全去掉位置編碼的方法。
有需要的小夥伴可以點擊下方鏈接查看～
Meta 論文：
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
無位置編碼論文
https://arxiv.org/abs/2305.19466
