論文筆記，LongRoPE2: Near-Lossless LLM Context Window Scaling， https://arxiv.org/pdf/2502.20082。 longrope v1的升級工作，應對長度外推的。

longrope v1簡單回顧，核心思想是非均勻插值+漸進式微調：

• 對比 NTK、YaRN 之類的插值方式，LongROPE 的每個頻率都有自己的縮放因子。所以先進行基于困惑度的進化搜索，得到每個 rope 維度的最佳縮放因子。
• 在應用當前階段的 Rescaled RoPE 后，對模型進行 微調，讓模型權重適應新的上下文窗口大小和位置編碼方式。
• 4k -> 256k -> 2048k，上一階段微調后的模型作為下一階段的 起始模型，重復這個過程。

v2 覺著 v1版本，忽略了對高維度位置編碼的重點訓練，傳統的困惑度，是對整個文檔的所有 token 計算平均值，這存在兩個問題：

• 噪音干擾: 長文檔通常包含大量不重要或低依賴的 token，這些 token 的困惑度對評估長上下文能力貢獻不大，反而會干擾對關鍵 token 的評估。
• 無法有效捕捉長上下文能力: 平均困惑度無法有效區分模型是否真正理解了長上下文，并提取了關鍵信息。

所以v2提出了，“針驅動” 的 困惑度，更聚焦于聚焦于長文檔中需要深度上下文理解的關鍵 “針” (Needle) token，只計算這些 “針” token 的困惑度。從而更精準地評估模型的長上下文能力。

最后，為了解決 LongRoPE v1 中存在的短上下文性能下降問題，LongRoPE2 引入了 混合上下文窗口訓練 方法。。

• 短上下文窗口：用于訓練模型在原始短上下文下的性能，使用原始 RoPE 編碼，通過注意力掩碼防止跨文檔的注意力。
• 長上下文窗口：用于訓練模型適應 rescaled RoPE 和長上下文，使用 LongRoPE2 搜索到的最佳縮放因子。

最后LongRoPE2 是第一個能夠 在擴展上下文窗口到 128k 的同時，仍然保持超過 97% 原始短上下文性能 的 RoPE rescaling 方法。

且只需 10B tokens 的微調數據 即可將 LLaMA3-8B 的上下文窗口擴展到 128k，而 Meta 的 LLaMA3.1 擴展到 128k 需要 800B tokens 的訓練。

本文轉載自??NLP前沿??，作者：NLP前沿