微軟 & 清華最新研究，打破 GPT 系列開創(chuàng)的 Decoder-Only 架構(gòu) —— 提出 Decoder-Decoder 新型架構(gòu)，名為 YOCO（You Only Cache Once）。
YOCO 僅緩存一次鍵值對，可大幅降低 GPU 內(nèi)存需求，且保留全局注意力能力。一張圖來看 YOCO 和標準 Transformer 的比較。
在處理 512K 上下文長度時，標準 Transformer 內(nèi)存使用是 YOCO 的 6.4 倍，預填充延遲是 YOCO 的 30.3 倍，而 YOCO 的吞吐量提升到標準 Transformer 的 9.6 倍。
去年一張“大語言模型進化樹”動圖在學術圈瘋轉(zhuǎn)，模型架構(gòu)還只有三大類：Decoder-Only、Encoder-Only、Encoder-Decoder。
那么這個新出的 Decoder-Decoder 架構(gòu)到底長啥樣？嗯，如網(wǎng)友所言，要讀的論文又增加了。
話不多說，一起來看。
打破 Decoder-Only
YOCO 整體架構(gòu)設計如下，分為自解碼器（Self-Decoder）和交叉解碼器（Cross-Decoder）兩部分。
具體來說，YOCO 由 L 個塊堆疊而成，其中前 L / 2 層是自解碼器，其余模塊是交叉解碼器。
自解碼器利用高效自注意力（efficient self-attention）機制來獲取鍵值（KV）緩存：
接收輸入序列的嵌入表示，并使用高效自注意力來生成中間向量表示；使用因果掩碼（causal masking）保證解碼的自回歸特性；自解碼器的輸出用于生成全局 KV 緩存。
而交叉解碼器使用交叉注意力（cross-attention）來重用自解碼器生成的共享 KV 緩存：
在自解碼器生成的 KV 緩存基礎上進行堆疊，以獲得最終的輸出向量；同樣使用因果掩碼來維持自回歸生成；允許交叉解碼器層間高效地重用 KV 緩存，減少了對 GPU 內(nèi)存的需求。
總的來說，自解碼器和交叉解碼器的模塊設計與 Transformer 的解碼器層類似，包含交錯注意力和前饋網(wǎng)絡子層。不過，研究人員還進行了預 RMSNorm、SwiGLU 和分組查詢注意力等改進。
兩部分之間的區(qū)別在于注意力模塊。
自解碼器使用高效自注意力，如滑動窗口注意力（Sliding-Window Attention）或門控保留（gated retention）。
而交叉解碼器使用標準的多頭交叉注意力，Query 向量通過注意力與自解碼器產(chǎn)生的全局鍵值緩存相關聯(lián)。
推理大幅度省 省 省
實驗階段，研究人員將 YOCO 模型與同體量的 Transformer 模型進行比較。
分析維度有四個：語言建模評估、與 Transformer 比較的可擴展性、長上下文評估、推理優(yōu)勢。
語言建模評估
研究人員訓練了一個 3B 參數(shù)的 YOCO 語言模型，并根據(jù)訓練 token 數(shù)量（1T 和 1.6T）進行評估。
在 LM Eval Harness 的多個下游任務上，YOCO 與 Transformer 模型 OpenLLaMA-3B-v2、StableLM-base-alpha-3B-v2、StableLM-3B-4E1T 打得有來有回。
可擴展性對比
接著，研究人員在 160M 到 13B 參數(shù)規(guī)模范圍內(nèi)，分別訓練了 YOCO（門控保留和滑動窗口注意力版本）和 Transformer 語言模型。
對比了它們在驗證集上的語言模型損失，YOCO 的表現(xiàn)與 Transformer 基本持平：
結(jié)果證明 YOCO 在模型大小擴展方面具有很強的可擴展性。
長上下文評估
將 3B 的 YOCO 模型擴展到上下文為 1M，在“大海撈針”等長序列的 needle retrieval 任務上，YOCO-3B-1M 的準確率接近 100%。
在多針檢索任務上，YOCO-3B-1M 的性能優(yōu)于一些超 3B 的 Transformer 模型：
此外，YOCO 模型在長序列上的 NLL 隨著上下文長度的增加而一致下降，表明 YOCO 能夠有效地利用長距離依賴信息進行語言建模：
綜上，可見 YOCO 在性能上完全不輸 Transformer，關鍵來看 YOCO 在推理效率上取得的顯著提升。
推理優(yōu)勢
研究人員評估了 YOCO 在 GPU 內(nèi)存占用、prefilling 延遲、吞吐量和服務容量等方面的優(yōu)勢，評估上下文范圍為 32K 至 1M。
如下圖所示，與 Transformer 相比，YOCO 大幅度降低了 GPU 內(nèi)存占用，且 YOCO 的內(nèi)存消耗隨上下文長度增加，增長幅度很小。
例如，在 1M 長度下，整體推理內(nèi)存使用量僅為 12.4GB，而傳統(tǒng)的 Transformer 則占用了 9.38 倍的 GPU 內(nèi)存。
下面展示了 token 的 KV 緩存對 GPU 內(nèi)存的占用情況。
YOCO 模型只緩存一層全局的鍵值對，因此與 Transformer 模型相比，它需要的內(nèi)存約少了 L（指模型的層數(shù)）倍。
例如，YOCO 模型可以使用 1GB 的 GPU 內(nèi)存來處理 128K token。而具有 GQA 的 Transformer 65B 大小模型，僅能支持 1.6K token。
也就是說，模型越大，YOCO 可以節(jié)省更多。
在預填充階段，模型并行編碼輸入 token。對于 512K 和 1M 長度的輸入，Transformer 分別需要大約 180 秒和 300 秒。Transformer 的計算復雜度為 O (N^2)，處理長上下文需要大量的浮點運算操作。
相比之下，YOCO 的預填充時間為 O (N)，隨序列長度線性增長。
YOCO 將 Transformer 的 512K 上下文預填充時間從 180 秒減少到不到 6 秒。
預填充階段可以在進入交叉解碼器之前提前退出。因此，即使對于短上下文，預填充延遲的加速至少是兩倍。例如，對于 32K 長度，YOCO 比 Transformer 快 2.87 倍。
吞吐量表示模型每秒可以處理多少個 token，涵蓋了預填充和生成時間。如下圖所示，與 Transformer 相比，YOCO 在不同上下文長度下實現(xiàn)了更高的吞吐量。
以 512K 查詢?yōu)槔琓ransformer 的吞吐量為 4.5 token / 秒，而 YOCO 達到了 43.1token / 秒，即實現(xiàn)了 9.6 倍的加速。
吞吐量提高的原因如前所述，YOCO 減少了預填充所需的時間。其次，由于內(nèi)存消耗減少，因此可以在推理時使用更大的批量大小，這也有助于提高吞吐量。
詳細細節(jié)，感興趣的家人們可以查看原論文。
論文鏈接：
https://arxiv.org/ abs / 2405.05254
廣告聲明：文內(nèi)含有的對外跳轉(zhuǎn)鏈接（包括不限于超鏈接、二維碼、口令等形式），用于傳遞更多信息，節(jié)省甄選時間，結(jié)果僅供參考，IT之家所有文章均包含本聲明。