米乐体育APP官网微软打破 Decoder-Only 架构：大幅降低 GPU 内存需求

　　，可大幅降低 GPU 内存需求，且保留全局注意力能力。一张图来看 YOCO 和标准 Transformer 的比较。

　　那么这个新出的 Decoder-Decoder 架构到底长啥样？嗯，如网友所言，要读的论文又增加了。

　　具体来说，YOCO 由 L 个块堆叠而成，其中前 L / 2 层是自解码器，其余模块是交叉解码器。

　　接收输入序列的嵌入表示，并使用高效自注意力来生成中间向量表示；使用因果掩码（causal masking）保证解码的自回归特性；自解码器的输出用于生成全局 KV 缓存。

　　而交叉解码器使用交叉注意力（cross-attention）来重用自解码器生成的共享 KV 缓存：

　　在自解码器生成的 KV 缓存基础上进行堆叠，以获得最终的输出向量；同样使用因果掩码来维持自回归生成；允许交叉解码器层间高效地重用 KV 缓存，减少了对 GPU 内存的需求。

　　总的来说，自解码器和交叉解码器的模块设计与 Transformer 的解码器层类似，包含交错注意力和前馈网络子层。不过，研究人员还进行了预 RMSNorm、SwiGLU 和分组查询注意力等改进。

　　而交叉解码器使用标准的多头交叉注意力，Query 向量通过注意力与自解码器产生的全局键值缓存相关联。

　　实验阶段，研究人员将 YOCO 模型与同体量的 Transformer 模型进行比较。

　　分析维度有四个：语言建模评估、与 Transformer 比较的可扩展性、长上下文评估、推理优势。

　　研究人员训练了一个 3B 参数的 YOCO 语言模型，并根据训练 token 数量（1T 和 1.6T）进行评估。

　　接着，研究人员在 160M 到 13B 参数规模范围内，分别训练了 YOCO（门控保留和滑动窗口注意力版本）和 Transformer 语言模型。

　　对比了它们在验证集上的语言模型损失，YOCO 的表现与 Transformer 基本持平：

　　此外，YOCO 模型在长序列上的 NLL 随着上下文长度的增加而一致下降，表明 YOCO 能够有效地利用长距离依赖信息进行语言建模：

　　综上，可见 YOCO 在性能上完全不输 Transformer，关键来看 YOCO 在推理效率上取得的显著提升。

　　研究人员评估了 YOCO 在 GPU 内存占用、prefilling 延迟、吞吐量和服务容量等方面的优势，评估上下文范围为 32K 至 1M。

　　如下图所示，与 Transformer 相比，YOCO 大幅度降低了 GPU 内存占用，且 YOCO 的内存消耗随上下文长度增加，增长幅度很小。

　　YOCO 模型只缓存一层全局的键值对，因此与 Transformer 模型相比，它需要的内存约少了 L（指模型的层数）倍。

　　在预填充阶段，模型并行编码输入 token。对于 512K 和 1M 长度的输入，Transformer 分别需要大约 180 秒和 300 秒。Transformer 的计算复杂度为 O (N^2)，处理长上下文需要大量的浮点运算操作。

　　预填充阶段可以在进入交叉解码器之前提前退出。因此，即使对于短上下文，预填充延迟的加速至少是两倍。例如，对于 32K 长度，YOCO 比 Transformer 快 2.87 倍。

　　吞吐量表示模型每秒可以处理多少个 token，涵盖了预填充和生成时间。如下图所示，与 Transformer 相比，YOCO 在不同上下文长度下实现了更高的吞吐量。

　　吞吐量提高的原因如前所述，YOCO 减少了预填充所需的时间。其次，由于内存消耗减少，因此可以在推理时使用更大的批量大小，这也有助于提高吞吐量。

　　广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，IT之家所有文章均包含本声明。

　　网友发现新 Prompt，让微软 Copilot“坦白”说出系统版本、已装应用等

　　微软 Win11 截图工具隐藏新特性：调用 Bing 搜索识别图片内容

　　李彦宏：目前已有近 10 万家企业调用百度文心一言 AI 能力，萝卜快跑无人化商业运营指日可待

　　微软 Win11 Dev 26120.470 发布：设置主页新增 XGP 服务推广卡片、修复大量 Bug

　　微软 Win11 Beta 22635.3575 发布，共享窗口新增快捷复制按钮