DalšíDalší průvodce
Linear Attention a Performer Kernels
Technický
Jazyk AI GUIDE
RWKV je architektura, která se trénuje jako transformátor, ale spouští odvození jako rekurentní síť, která poskytuje lineární generování konstantní paměti.
Poslechněte si tento návodAI-vyprávěný · ~2 min
It reformulates attention so there is no quadratic cost and no growing key-value cache.
RWKV (vyslovováno 'RwaKuv') je zkratka pro Receptance, Weight, Key, Value, jeho čtyři základní prvky. Vznikl z velké části jako otevřený komunitně řízený projekt vedený Bo Pengem. Cílem je zachovat paralelní trénovatelnost Transformers a zároveň eliminovat jejich nákladné vyvozování. Standardní pozornost ukládá mezipaměť klíč-hodnota, která roste s každým tokenem a porovnává každý nový token se všemi předchozími. RWKV místo toho nese vpřed malý skrytý stav s pevnou velikostí a aktualizuje jej pravidlem časového poklesu, takže starší informace hladce mizí. Během tréninku jej lze rozvinout do paralelizovatelné formy; během generování se chová jako RNN produkující jeden token za konstantními náklady. Díky tomu je atraktivní pro dlouhé kontexty a nasazení s omezenými zdroji.
Spouštění schopných chatovacích modelů s otevřeným zdrojovým kódem na CPU nebo zařízeních s nízkou pamětí s konstantní pamětí na token
Generování streamovaného textu, kde jsou tokeny vytvářeny jeden po druhém bez rostoucí mezipaměti
Zpracování dlouhých dokumentů, kde by mezipaměť klíče a hodnoty Transformeru byla neúměrně velká
Komunitní a vícejazyčné modelové projekty, které potřebují efektivní, otevřeně licencovanou architekturu
RWKV rychle prošel verzemi (v4, v5 Eagle, v6 Finch a další), čímž se zmenšil rozdíl v kvalitě s Transformers při zachování lineárních nákladů. Očekávejte pokračující růst otevřených vícejazyčných modelů, nasazení edge a CPU tam, kde záleží na konstantní paměti, a hybridních návrhů. Jeho plně opakující se odvození z něj dělá silného kandidáta pro streamovací aplikace a velmi dlouhé kontexty, kde by jinak mezipaměti klíč-hodnota explodovaly.
Newsletter zdarma
Tři ověřené příběhy ze světa AI každý všední den ráno, psané srozumitelnou angličtinou. Navždy zdarma, bez reklam.
Jeden e-mail každý všední den. Odhlásit se můžete jedním kliknutím. Vaši adresu nikdy neprodáváme ani nesdílíme.
Otestujte se
Okamžitá zpětná vazba ke každé odpovědi a sdílitelný certifikát s ověřitelným ID po absolvování kurzu.
Podpořte bezplatnou AI vzdělávání. AI Understanding je nezisková organizace 501(c)(3) — žádné reklamy, žádná platba za přístup, nikdy. Darujte
RWKV je architektura, která se trénuje jako transformátor, ale spouští odvození jako rekurentní síť, která poskytuje lineární generování konstantní paměti. Přeformuluje pozornost, takže nevznikají žádné kvadratické náklady a žádná rostoucí mezipaměť klíč-hodnota.
Cílem návrhu RWKV je paralelní školení ve stylu Transformer v kombinaci s opakujícím se odvodem konstantních nákladů.
RWKV je pojmenován podle svých čtyř složek: Receptance, Weight, Key a Value.
Stejně jako RNN aktualizuje RWKV každý krok stav pevné velikosti, takže paměť neroste s délkou sekvence.
Naučená váha poklesu na kanál určuje, jak rychle minulé klávesy slábnou v běžícím stavu.
Použitím opakování se RWKV vyhýbá porovnávání každého tokenu s každým jiným tokenem a odstraňuje kvadratické náklady.
Učte se dál
Pro toto téma bylo vybráno více průvodců
DalšíDalší průvodce
Linear Attention a Performer Kernels
Technický