ተንሸራታች መስኮት ትኩረት
የተንሸራታች መስኮት ትኩረት እያንዳንዱን ማስመሰያ ከጠቅላላው ቅደም ተከተል ይልቅ በአቅራቢያው ባሉ ቶከኖች ቋሚ መጠን ያለው ሰፈር ላይ ብቻ እንዲከታተል ይገድባል።
አጠቃላይ እይታ
This cuts the quadratic cost of standard attention down to linear, making long-context models far cheaper to run.
ጥልቅ ዳይቭ
መደበኛ ራስን ትኩረት እያንዳንዱን ቶከን ከሌላው ማስመሰያ ጋር ያወዳድራል፣ስለዚህ የ N ርዝማኔ ቅደም ተከተል በግምት N-ስኩዌር ማነፃፀሪያዎችን ይፈልጋል። ተንሸራታች የመስኮት ትኩረት ይህንን ያስተካክላል ለእያንዳንዱ ማስመሰያ መጠን W መስኮት በመስጠት (4,096 ቶከኖች ይበሉ) እና በዚያ መስኮት ውስጥ ያሉትን ጎረቤቶች ብቻ በመገኘት። ዋጋ ከN-squared ይልቅ N ጊዜ W ያድጋል። በወሳኝ ሁኔታ ብዙ በመስኮት የተሸፈኑ ንብርብሮችን መደርደር ውጤታማ የመቀበያ መስክን ያሰፋዋል፡ ከኤል ንብርብሮች በኋላ መረጃ ልክ እንደ ሲ ኤን ኤን እያደገ መቀበያ መስክ በ L times W ቶከኖች ላይ ሊሰራጭ ይችላል። Mistral 7B ይህንን በ32 ንብርብሮች ላይ ባለው ባለ 4,096-ቶከን መስኮት በንድፈ-ሀሳባዊ 131K-ቶከን ስፓን ላይ ደረሰ። የረጅም ርቀት አገናኞችን ለመጠበቅ ሞዴሎች ብዙውን ጊዜ የመስኮት ሽፋኖችን ከሙሉ ትኩረት ንብርብሮች ጋር ያቀላቅላሉ።
ቴክኒካዊ ግንዛቤ
በትኩረት ማስክ ውስጥ፣ እኔ ቦታ ላይ ያለ መጠይቅ የሚፈቀደው ከ W ሲቀነስ 1 እስከ i (የምክንያት ጉዳይ) ከቦታዎች ቁልፎችን ማየት ብቻ ነው። ይህ ትንሽ ጭንብል ማለት የ KV መሸጎጫ በንብርብር የመጨረሻዎቹን W ቶከኖች ብቻ ይፈልጋል ፣ ይህም በሚፈጠርበት ጊዜ ማህደረ ትውስታን ይቀንሳል። መስኮቱ ከእያንዳንዱ አዲስ ቶከን ጋር ስለሚቀያየር፣ ለዘለአለም ከማደግ ይልቅ የቆዩ ግቤቶችን የሚተካ በተፈጥሮ ከሚሽከረከር ቋት መሸጎጫ ጋር ይጣመራል።
ስልታዊ ተጽእኖ
ፍጥነት እና ልኬት
የቋንቋ የስራ ፍሰቶች ወጥነትን ሳያጠፉ በፍጥነት ሊንቀሳቀሱ ይችላሉ።
መድረስ እና መድረስ
በቋንቋዎች እና በመግባቢያ ዘይቤዎች ተደራሽነትን ያሰፋዋል።
ግልጽ ውሳኔዎች
አውቶሜሽን ድግግሞሹን ሲቆጣጠር ቡድኖች በፍርድ ላይ ብዙ ጊዜ ሊያጠፉ ይችላሉ።
የወደፊቱ የተንሸራታች መስኮት ትኩረት
የተዳቀሉ ዲዛይኖች አሁን ቅልጥፍናን ከእውነተኛ የረጅም ጊዜ ምክንያታዊነት ጋር በማመጣጠን ከብዙ ተንሸራታች-መስኮት ንጣፎች መካከል ጥቂቶቹን ዓለም አቀፋዊ ወይም ሙሉ ትኩረት ንጣፎችን ያቋርጣሉ። Gemma 2 እና ሌሎች ተለዋጭ የአካባቢ እና አለምአቀፍ ብሎኮች። የመስኮት ትኩረት ከስቴት-ስፔስ ሞዴሎች፣ ትኩረት መስጠቢያዎች እና የKV-cache መጭመቂያ ጋር እንዲጣመር ይጠብቁ የድንበር ሞዴሎች በሚሊዮን የሚቆጠሩ ቶክ አውዶችን ያለሸሸ ማህደረ ትውስታ ይይዛሉ። ከባዕድ ማመቻቸት ይልቅ ነባሪ የግንባታ ግንባታ እየሆነ ነው።
የእውነተኛ-ዓለም አተገባበር
Mistral 7B በሸማች ጂፒዩዎች ላይ ረጃጅም ጥያቄዎችን በርካሽ ለማስተናገድ ባለ 4,096-ቶከን ተንሸራታች መስኮት በንብርብሮቹ ላይ ይጠቀማል።
ሎንግፎርመር ባለብዙ ገጽ ሰነዶችን ለመከፋፈል እና ለማጠቃለል በመስኮት የተደረገ ትኩረት እና ጥቂት ዓለም አቀፍ ቶከኖችን ይጠቀማል።
Gemma 2 ፍጥነትን እና የረጅም ርቀት ማስታወስን ለማመጣጠን የአካባቢያዊ ተንሸራታች-መስኮት ንጣፎችን ከአለም አቀፍ ትኩረት ንብርብሮች ጋር ይለዋወጣል።
በቻት ረዳቶች ውስጥ የ Rolling-buffer KV መሸጎጫዎች በጣም የቅርብ ጊዜውን የቶከኖች መስኮት ብቻ ያስቀምጣሉ፣ በረጅም ውይይቶች ጊዜ ማህደረ ትውስታን ይይዛሉ።
አደጋዎች እና የጥበቃ መንገዶች
የተሳሳቱ እውነታዎች በጸጥታ ወደ ሪፖርቶች፣ የድጋፍ ፍሰቶች ወይም የምርምር ውጤቶችን ማስገባት ይችላሉ።
ፈጣን ትብነት በተመሳሳይ ጥያቄዎች ላይ የማይጣጣሙ ውጤቶችን ሊፈጥር ይችላል።
የመዳረሻ መቆጣጠሪያዎች ደካማ ከሆኑ ሚስጥራዊነት ያለው የጽሑፍ ውሂብ ሊጋለጥ ይችላል።
የትግበራ ፍኖተ ካርታ
ከመልቀቅዎ በፊት የውጤት ቅርጸትን፣ ድምጽን እና የጥራት ደረጃዎችን ይግለጹ።
ትክክለኛነት አስፈላጊ በሚሆንበት ጊዜ ሁሉ ከታመኑ ምንጮች ጋር ምላሾች።
ከፍተኛ ውጤት ለማግኘት የሰው የግምገማ ነጥብ አቆይ።
የውድቀት ንድፎችን ይከታተሉ እና ጥያቄዎችን ወይም የስራ ፍሰቶችን በመደበኛነት ያሠለጥኑ።
ማሰስዎን ይቀጥሉ
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Sliding Window Attention quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
ቀጣይ መመሪያ
የቡድን-የጥያቄ ትኩረት
በተደጋጋሚ የሚጠየቁ ጥያቄዎች
What is Sliding Window Attention?
የተንሸራታች መስኮት ትኩረት እያንዳንዱን ማስመሰያ ከጠቅላላው ቅደም ተከተል ይልቅ በአቅራቢያው ባሉ ቶከኖች ቋሚ መጠን ያለው ሰፈር ላይ ብቻ እንዲከታተል ይገድባል። ይህ የመደበኛ ትኩረት ኳድራቲክ ወጪን ወደ መስመራዊ ይቀንሳል፣ ይህም ረጅም አውድ ሞዴሎችን ለማስኬድ በጣም ርካሽ ያደርገዋል።
በመደበኛ ራስን ትኩረት ላይ የመስኮት ትኩረትን የሚያንሸራትት ዋናው የስሌት ጥቅም ምንድነው?
እያንዳንዱን ማስመሰያ ወደ ደብሊው ጎረቤቶች ቋሚ መስኮት በመገደብ ወጪው እንደ N-squared ሳይሆን እንደ N times W (ሊኒያር በ N) ያድጋል።
በMistral 7B ንድፍ ውስጥ፣ መረጃ ከአንድ ባለ 4,096 ቶከን መስኮት በላይ እንዴት ሊጓዝ ይችላል?
እንደ ሲኤንኤን፣ እያንዳንዱ ሽፋን መረጃን አንድ መስኮት ወደ ፊት ይገፋፋል፣ ስለዚህ ኤል ንብርብሮች በግምት L times W ቶከኖች ውጤታማ ጊዜ ይሰጣሉ።
ለምንድነው ተንሸራታች የመስኮት ትኩረት በጽሑፍ ማመንጨት ጊዜ ማህደረ ትውስታን የሚቀንስ?
ማስመሰያ በቅርብ ጊዜ መስኮቱ ላይ ብቻ ስለሚታይ፣ የቆዩ የቁልፍ/የዋጋ ግቤቶች ብዙውን ጊዜ በሚሽከረከር ቋት መሸጎጫ ሊጣሉ ይችላሉ።
እንደ Gemma 2 ያሉ ሞዴሎች የረዥም ርቀት አስተሳሰቦችን ለመጠበቅ ከተንሸራታች መስኮቶች ጋር ምን ዓይነት የዲዛይን ምርጫ ይጠቀማሉ?
አልፎ አልፎ ዓለም አቀፋዊ/ሙሉ ትኩረት ንጣፎችን ከአካባቢው ጋር መቀላቀል ንፁህ የመስኮት መጥፋት የሚያዳክሙትን እውነተኛ የረጅም ርቀት ግንኙነቶችን ይጠብቃል።
ለምክንያት ተንሸራታች መስኮት የመጠን ደብሊው፣ የትኛዎቹ ቁልፎች በምገኝበት ቦታ መጠይቅ እችላለሁ?
በምክንያት ጉዳይ ላይ መጠይቁ እራሱን እና W ሲቀነስ 1 ምልክቶችን ወዲያውኑ ከሱ በፊት ያያል እንጂ የወደፊት ቶከን የለም።