比Transformer快4成！Meta发布全新Megabyte模型解决算力损耗

　　Transformer最近几年已然成为大模型的标配，而Meta团队开发的一款Megabyte模型声称能解决Transformer的硬伤，速度还要快四成。

　　自2017年在论文「Attention is All You Need」中提出之后，这个新的网络结构，刷爆了各大翻译任务，同时创造了多项新的记录。

　　但Transformer在处理长字节序列时有个硬伤，就是算力损耗严重，而Meta的研究人员的最新成果则可以很好地解决这一缺陷。

　　他们推出了一种全新的模型架构，能跨多种格式生成超过100万个token，并超越GPT-4等模型背后的现有 Transformer架构的功能。

　　这个模型被称为「兆字节」（Megabyte），是一种多尺度解码器架构（Multi-scale Decoder Architecture），可以对超过一百万字节的序列进行端到端可微分建模。

　　但Meta的研究团队认为，流行的Transformer架构可能正达到其阈值，其中主要理由是Transformer设计中固有的两个重要缺陷：

　　- 随着输入和输出字节长度的增加，自注意力的成本也迅速增加，如输入的音乐、图像或视频文件通常包含数兆字节，然而大型解码器 (LLM)通常只使用几千个上下文标记

　　- 前馈网络通过一系列数学运算和转换帮助语言模型理解和处理单词，但在每个位置的基础上难以实现可扩展性,这些网络独立地对字符组或位置进行操作，从而导致大量的计算开销

　　相比Transformer，Megabyte模型展示了一种独特的不同架构，将输入和输出序列划分为patch而不是单个token。

　　如下图，在每个patch中，本地AI模型生成结果，而全局模型管理和协调所有patch的最终输出。

　　研究人员观察到，对于多数任务而言字节预测都相对容易（如完成给定前几个字符的单词），这意味着每个字节的大型网络是不必要的，并且可以使用更小的模型进行内部预测。

　　这种方法解决了当今AI模型中普遍存在的可扩展性挑战，Megabyte 模型的patch系统允许单个前馈网络在包含多个token的patch上运行，从而有效解决了自注意力缩放问题。

　　大多数关于长序列模型的工作都集中在减轻自注意力的二次成本上，而Megabyte将长序列分解为两个较短的序列，即使对于长序列也仍然易于处理。

　　在GPT-3大小的模型中，超过98%的FLOPS用于计算位置前馈层，Megabyte每个patch使用大型前馈层，以相同的成本实现更大、性能更强的模型。在patch大小为P的情况下，基线转换器将使用具有m个参数的相同前馈层P次，兆字节可以以相同的成本使用具有mP个参数的层一次。

　　Transformers必须在生成期间串行执行所有计算，因为每个时间步的输入是前一个时间步的输出，通过并行生成patch的表示，Megabyte允许在生成过程中实现更大的并行性。

　　例如，具有1.5B参数的Megabyte模型生成序列的速度比标准的350MTransformer快40%，同时在使用相同的计算量进行训练时还能改善困惑度。

　　此外，在运算效率方面，在固定模型大小和序列长度范围内，Megabyte比同等大小的Transformers和Linear Transformers使用更少的token，允许以相同的计算成本使用更大的模型。

　　总之，这些改进使我们能够在相同的计算预算下训练更大、性能更好的模型，扩展到非常长的序列，并提高部署期间的生成速度。

　　虽然GPT-3.5在175B个参数上进行了训练，但有人猜测功能更强大的GPT-4在1万亿个参数上进行了训练。

　　OpenAI的CEO Sam Altman最近也建议转变战略，他表示公司正在考虑舍弃对庞大模型的训练，而专注于其他性能的优化。

　　例如采用修补技术的更高效的编码器模型、将序列分解为更小块的解码模型以及将序列预处理为压缩token等，并且可以扩展现有Transformer架构的能力以构建新一代模型。