स्लाइडिंग विंडो ध्यान
स्लाइडिंग विंडो ध्यान प्रत्येक टोकन को पूरे अनुक्रम के बजाय केवल आस-पास के टोकन के एक निश्चित आकार के पड़ोस में शामिल होने के लिए प्रतिबंधित करता है।
सिंहावलोकन
This cuts the quadratic cost of standard attention down to linear, making long-context models far cheaper to run.
गहरा गोता
मानक आत्म-ध्यान प्रत्येक टोकन की तुलना हर दूसरे टोकन से करता है, इसलिए लंबाई N के अनुक्रम के लिए मोटे तौर पर N-वर्ग तुलना की आवश्यकता होती है। स्लाइडिंग विंडो अटेंशन प्रत्येक टोकन को W आकार की एक विंडो (जैसे 4,096 टोकन) देकर और केवल उस विंडो के अंदर पड़ोसियों पर ध्यान देकर इसे ठीक करता है। लागत एन-वर्ग के बजाय एन गुना डब्ल्यू के रूप में बढ़ती है। महत्वपूर्ण रूप से, कई विंडो वाली परतों को ढेर करने से प्रभावी ग्रहणशील क्षेत्र का विस्तार होता है: एल परतों के बाद, जानकारी सीएनएन के बढ़ते ग्रहणशील क्षेत्र की तरह, लगभग एल गुना डब्ल्यू टोकन में फैल सकती है। मिस्ट्रल 7बी ने 32 परतों में 4,096-टोकन विंडो के साथ इसे लोकप्रिय बनाया, जो सैद्धांतिक 131के-टोकन अवधि तक पहुंच गया। लंबी दूरी के लिंक को संरक्षित करने के लिए मॉडल अक्सर विंडो वाली परतों को कभी-कभी पूर्ण-ध्यान वाली परतों के साथ मिलाते हैं।
तकनीकी अंतर्दृष्टि
अटेंशन मास्क में, स्थिति i पर एक क्वेरी को केवल स्थिति i माइनस W प्लस 1 से i (कारण मामला) तक की कुंजियाँ देखने की अनुमति है। इस विरल मास्क का मतलब है कि केवी कैश को प्रति परत केवल अंतिम डब्ल्यू टोकन की आवश्यकता होती है, जिससे पीढ़ी के दौरान मेमोरी कम हो जाती है। क्योंकि विंडो प्रत्येक नए टोकन के साथ बदलती है, यह स्वाभाविक रूप से एक रोलिंग बफर कैश के साथ जुड़ जाती है जो हमेशा के लिए बढ़ने के बजाय सबसे पुरानी प्रविष्टियों को अधिलेखित कर देती है।
सामरिक प्रभाव
गति और पैमाना
भाषा वर्कफ़्लो निरंतरता से समझौता किए बिना तेज़ी से आगे बढ़ सकता है।
पहुंच और पहुंच
यह सभी भाषाओं और संचार शैलियों तक पहुंच का विस्तार करता है।
स्पष्ट निर्णय
टीमें निर्णय लेने में अधिक समय व्यतीत कर सकती हैं जबकि स्वचालन पुनरावृत्ति को संभालता है।
स्लाइडिंग विंडो का भविष्य ध्यान दें
हाइब्रिड डिज़ाइन अब कई स्लाइडिंग-विंडो परतों के बीच कुछ वैश्विक या पूर्ण-ध्यान परतों को जोड़ते हैं, जो वास्तविक लंबी दूरी के तर्क के साथ दक्षता को संतुलित करते हैं। जेम्मा 2 और अन्य वैकल्पिक स्थानीय और वैश्विक ब्लॉक। विंडो अटेंशन को स्टेट-स्पेस मॉडल, अटेंशन सिंक और केवी-कैश कम्प्रेशन के साथ संयोजित करने की अपेक्षा करें ताकि फ्रंटियर मॉडल रनवे मेमोरी के बिना मिलियन-टोकन संदर्भों को संभाल सकें। यह विदेशी अनुकूलन के बजाय एक डिफ़ॉल्ट बिल्डिंग ब्लॉक बनता जा रहा है।
वास्तविक विश्व कार्यान्वयन
मिस्ट्रल 7बी उपभोक्ता जीपीयू पर लंबे संकेतों को सस्ते में संभालने के लिए अपनी परतों में 4,096-टोकन स्लाइडिंग विंडो का उपयोग करता है।
लॉन्गफॉर्मर बहु-पृष्ठ दस्तावेज़ों को वर्गीकृत और सारांशित करने के लिए विंडोड अटेंशन और कुछ वैश्विक टोकन लागू करता है।
जेम्मा 2 गति और लंबी दूरी की रिकॉल को संतुलित करने के लिए स्थानीय स्लाइडिंग-विंडो परतों को वैश्विक-ध्यान परतों के साथ वैकल्पिक करता है।
चैट सहायकों में रोलिंग-बफ़र केवी कैश केवल टोकन की नवीनतम विंडो रखते हैं, लंबी बातचीत के दौरान मेमोरी को कैप करते हैं।
जोखिम और रेलिंग
मतिभ्रम वाले तथ्य चुपचाप रिपोर्ट में प्रवेश कर सकते हैं, प्रवाह का समर्थन कर सकते हैं, या अनुसंधान आउटपुट का समर्थन कर सकते हैं।
त्वरित संवेदनशीलता समान अनुरोधों में असंगत परिणाम पैदा कर सकती है।
यदि पहुंच नियंत्रण कमजोर हैं तो संवेदनशील पाठ डेटा उजागर हो सकता है।
कार्यान्वयन रोडमैप
रोलआउट से पहले आउटपुट स्वरूप, टोन और गुणवत्ता मानकों को परिभाषित करें।
जब भी सटीकता मायने रखती है तो विश्वसनीय स्रोतों के साथ जमीनी प्रतिक्रियाएँ।
उच्च जोखिम वाले आउटपुट के लिए एक मानव समीक्षा चेकपॉइंट रखें।
विफलता पैटर्न को ट्रैक करें और संकेतों या वर्कफ़्लो को नियमित रूप से पुनः प्रशिक्षित करें।
अन्वेषण करते रहें
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
अगली गाइड
समूहीकृत-प्रश्न ध्यान
अक्सर पूछे जाने वाले प्रश्नों
What is Sliding Window Attention?
स्लाइडिंग विंडो ध्यान प्रत्येक टोकन को पूरे अनुक्रम के बजाय केवल आस-पास के टोकन के एक निश्चित आकार के पड़ोस में शामिल होने के लिए प्रतिबंधित करता है। यह मानक ध्यान की द्विघात लागत को रैखिक तक कम कर देता है, जिससे लंबे-संदर्भ वाले मॉडल चलाना काफी सस्ता हो जाता है।
मानक आत्म-ध्यान की तुलना में विंडो ध्यान खिसकाने का मुख्य कम्प्यूटेशनल लाभ क्या है?
प्रत्येक टोकन को डब्ल्यू पड़ोसियों की एक निश्चित विंडो तक सीमित करने से, लागत एन-वर्ग के बजाय एन गुना डब्ल्यू (एन में रैखिक) के रूप में बढ़ती है।
मिस्ट्रल 7बी के डिज़ाइन में, जानकारी अभी भी 4,096-टोकन विंडो से कहीं आगे तक कैसे जा सकती है?
सीएनएन की तरह, प्रत्येक परत जानकारी को एक विंडो आगे बढ़ाती है, इसलिए एल परतें लगभग एल गुना डब्ल्यू टोकन का प्रभावी विस्तार देती हैं।
टेक्स्ट जेनरेशन के दौरान स्लाइडिंग विंडो अटेंशन से मेमोरी कम क्यों हो जाती है?
चूँकि एक टोकन केवल अपनी हाल की विंडो पर ध्यान देता है, पुरानी कुंजी/मूल्य प्रविष्टियों को त्याग दिया जा सकता है, अक्सर रोलिंग बफर कैश के माध्यम से।
लंबी दूरी के तर्क को बनाए रखने के लिए जेम्मा 2 जैसे मॉडल स्लाइडिंग विंडो के साथ किस डिज़ाइन विकल्प का उपयोग करते हैं?
कभी-कभार वैश्विक/पूर्ण-ध्यान वाली परतों को स्थानीय परतों के बीच मिलाने से वास्तविक लंबी दूरी के कनेक्शन सुरक्षित रहते हैं जो शुद्ध विंडोिंग को कमजोर कर देते हैं।
आकार W की एक कैज़ुअल स्लाइडिंग विंडो के लिए, मैं किस स्थिति में क्वेरी कर सकता हूँ?
कारणात्मक स्थिति में क्वेरी स्वयं को और उसके ठीक पहले W माइनस 1 टोकन को देखती है, भविष्य के टोकन को कभी नहीं।