每經(jīng)記者 蔡鼎    每經(jīng)編輯 蘭素英    

從2017年Google Brain團(tuán)隊(duì)推出Transformer架構(gòu)逐步取代長短期記憶（LSTM）等“循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）模型”成為首選模型，到后來首個(gè)線性時(shí)間序列架構(gòu)Mamba推出又對(duì)Transformer架構(gòu)構(gòu)成挑戰(zhàn)，大語言模型底層架構(gòu)的迭代正在迅速改變?nèi)藗儗?duì)于AI的認(rèn)知和理解。

美東時(shí)間周一（7月8日）,一種全新的大語言模型（LLM）架構(gòu)有望代替至今在AI領(lǐng)域如日中天的Transformer，性能也比Mamba更好。

圖片來源：arXiv

在預(yù)印本網(wǎng)站arXiv上發(fā)布的一篇論文中，斯坦福大學(xué)、加州大學(xué)伯克利分校、加州大學(xué)圣地亞哥分校和Meta的學(xué)者提出了一種全新架構(gòu)，希望能用機(jī)器學(xué)習(xí)模型取代RNN的隱藏狀態(tài)。這個(gè)架構(gòu)通過對(duì)輸入token進(jìn)行梯度下降來壓縮上下文，被稱為“測試時(shí)間訓(xùn)練層（Test-Time-Training layers，簡稱TTT層）”。“共同一作”加州大學(xué)伯克利分校的Karen Dalal表示，我相信這將從根本上改變語言模型。

但對(duì)于該論文，也有人提出質(zhì)疑，認(rèn)為只有30億~70億參數(shù)的可用演示模型才足以了解其實(shí)用性。

TTT-Linear 和 TTT-MLP 均能匹敵或擊敗Transformer和Mamba

過去這些年來，對(duì)大模型的研究和理解都繞不開“循環(huán)神經(jīng)網(wǎng)絡(luò)（下稱RNN）”。RNN是一種深度學(xué)習(xí)模型，由許多相互連接的組件組成，經(jīng)過訓(xùn)練后可以處理順序數(shù)據(jù)輸入并將其轉(zhuǎn)換為特定的順序數(shù)據(jù)輸出，例如將文本從一種語言翻譯成另一種語言。順序數(shù)據(jù)是指單詞、句子或時(shí)間序列數(shù)據(jù)之類的數(shù)據(jù)，其中的順序分量根據(jù)復(fù)雜的語義和語法規(guī)則相互關(guān)聯(lián)。

而“隱藏狀態(tài)”是RNN模型中的一個(gè)關(guān)鍵概念。它可以看作是網(wǎng)絡(luò)在每個(gè)時(shí)間步驟上的“記憶”，存儲(chǔ)了之前時(shí)間步驟中的信息，并通過時(shí)間在不同步驟之間傳遞。隱藏狀態(tài)可以捕捉到序列中的長期依賴性，從而使模型能夠理解整個(gè)序列的上下文。

在傳統(tǒng)的RNN中，隱藏狀態(tài)的固定大小表達(dá)能力受限，也不好并行訓(xùn)練。例如，像Mamba這樣的RNN層，會(huì)隨著時(shí)間的推移壓縮成一個(gè)固定大小的狀態(tài)，它們雖然效率很高，但性能受限于其表達(dá)能力。

該論文團(tuán)隊(duì)的對(duì)TTT層的想法來自于：與其讓RNN隱藏狀態(tài)被動(dòng)地儲(chǔ)存信息，不如讓它主動(dòng)學(xué)習(xí)。作者們?cè)谡撐闹蟹Q，他們?cè)O(shè)計(jì)的“TTT層”突破了“RNN層”在長上下文中性能受限的問題。

他們?cè)?.25億~ 13億個(gè)參數(shù)規(guī)模的大模型上進(jìn)行一系列的對(duì)比后發(fā)現(xiàn)，他們?cè)O(shè)計(jì)的TTT-Linear（線性模型）和TTT-MLP （注：MLP為多層感知器，是一種基于前饋神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)模型）均能匹敵或擊敗最強(qiáng)大的Transformers和 Mamba架構(gòu)方法。

論文稱，隱藏狀態(tài)時(shí)線性模型的TTT-Linear表現(xiàn)超過了Transformer和Mamba，用更少的算力達(dá)到更低的困惑度（下圖左），也能更好利用長上下文（下圖右）。此外，隱藏狀態(tài)時(shí)MLP模型的TTT-MLP在32k長上下文時(shí)表現(xiàn)還要更好。

圖片來源：arXiv

這不僅在理論上是線性的復(fù)雜度，而且實(shí)際運(yùn)行時(shí)間也更快。

圖片來源：arXiv

12人團(tuán)隊(duì)半數(shù)為華人，排首位的“共同一作”為斯坦福博士后

本篇論文一共有12名作者，有一半（6人）成員為華人。其中，排名第一的“一作”Yu Sun博士畢業(yè)于加州大學(xué)伯克利分校電氣工程與計(jì)算機(jī)科學(xué)系，目前是斯坦福大學(xué)的博士后，研究重點(diǎn)便是TTT的算法架構(gòu)。排在第二位的“一作”Xinhao Li為加州大學(xué)圣地亞哥分校研二學(xué)生，其研究集中在深度學(xué)習(xí)和計(jì)算機(jī)視覺，“三作”之一的Xiaolong Wang為其導(dǎo)師。

Yu Sun 圖片來源：個(gè)人主頁

論文稱，Yu Sun于2022年11月便開始和Xinhao Li做這個(gè)項(xiàng)目，2023年6月份開始進(jìn)入全職工作狀態(tài)。Yu Sun提出了項(xiàng)目的概念框架，設(shè)計(jì)了小批量的TTT層和“雙重形式”，在他人的幫助下撰寫了論文，并領(lǐng)導(dǎo)了整個(gè)團(tuán)隊(duì)的日常運(yùn)作和實(shí)驗(yàn)。

該研究“一作”之一 、加州大學(xué)伯克利分校信息工程學(xué)系學(xué)生Karen Dalal在X上表示，他相信這將從根本上改變語言模型。他稱，“我們?cè)O(shè)計(jì)了一個(gè)新的架構(gòu)，用機(jī)器學(xué)習(xí)模型取代了RNN的隱藏狀態(tài)。該模型通過輸入標(biāo)記的實(shí)際梯度下降來壓縮上下文。我們將我們的方法稱為‘測試時(shí)間訓(xùn)練層’。TTT層通過表達(dá)性記憶解鎖了線性復(fù)雜性架構(gòu)，使我們能夠在上下文中用數(shù)百萬（有朝一日甚至數(shù)十億）個(gè)token來訓(xùn)練大語言模型。”

圖片來源：X

Karen Dalal還稱，“TTT-Linear已經(jīng)比最快的SSM（注：指‘狀態(tài)空間模型’）更快，并且在大小和上下文方面具有很強(qiáng)的可擴(kuò)展性。這個(gè)架構(gòu)內(nèi)的探索空間是巨大的，我們的論文只是邁出了一小步。”

圖片來源：X

該論文的“三作”之一、加州大學(xué)伯克利分校博士后，現(xiàn)加州大學(xué)圣地亞哥分校電氣與計(jì)算機(jī)工程助理教授Xiaolong Wang則在X上激動(dòng)地稱：“我真不敢相信這終于發(fā)生了。”

“TTT層理念是我們已經(jīng)研究了5年的架構(gòu)……今天的TTT和我剛開始做博士后研究的時(shí)候已經(jīng)完全不同了，它已經(jīng)是一個(gè)網(wǎng)絡(luò)層，用機(jī)器學(xué)習(xí)模型取代了RNN的隱藏狀態(tài)。我們的TTT層并不是使用特定的向量來表達(dá)記憶，而是維護(hù)一個(gè)小型神經(jīng)網(wǎng)絡(luò)來壓縮輸入標(biāo)記……這種架構(gòu)目前應(yīng)用于語言建模，但想象一下將其應(yīng)用于視頻。未來，在長視頻建模時(shí)，我們可以對(duì)幀進(jìn)行密集采樣，而不是以1 FPS的速度采樣，這些密集的幀對(duì)Transformer架構(gòu)來說是負(fù)擔(dān)，但對(duì)TTT層來說卻是福音。因?yàn)樗鼈儽举|(zhì)上只是在TTT內(nèi)訓(xùn)練更好網(wǎng)絡(luò)的‘時(shí)間增強(qiáng)’。”

圖片來源：X

《每日經(jīng)濟(jì)新聞》記者注意到，在Xiaolong Wang的推文下方，也有不少質(zhì)疑者，例如，一個(gè)名為John Bollenbacher的用戶稱，“這是一個(gè)有希望的跡象，但我認(rèn)為我需要看到2.5個(gè)以上的示例才能認(rèn)真對(duì)待。而一個(gè)30億~70億參數(shù)的可用演示模型才可以讓我們了解它的實(shí)用性。”

對(duì)此，Xiaolong Wang回復(fù)稱，“（我們正）朝著那個(gè)方向努力。我希望通過這個(gè)版本我們可以得到更多的計(jì)算……就目前而言，學(xué)術(shù)實(shí)驗(yàn)室仍然很難訓(xùn)練70億參數(shù)的模型。”

圖片來源：X