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上下文窗口從2k擴展到32k后只需要小于1000步的微調。

與預訓練相比，成本忽略不計。

擴展上下文窗口，就意味著AI的“工作記憶”容量增加，具體來說可以：

• 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）的大模型都適用。

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）擴展上下文窗口，會完全破壞自注意力機制。

具體來說，超出預訓練上下文長度之外的部分，會使模型困惑度（perplexity）飆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，擴展前后位置索引和相對距離的范圍對齊。

用圖表現二者的區別更加直觀。

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

上下文窗口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。

擴展上下文窗口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將LLaMa上下文窗口擴展到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窗口的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。

有需要的小伙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 Impossiblehttps://kaiokendev.github.io/context

The Secret Sauce behind 100K context window in LLMshttps://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