スライディングウィンドウの注意
スライディング ウィンドウ アテンションでは、各トークンがシーケンス全体ではなく、近くのトークンの固定サイズの近傍のみに注目するように制限されます。
概要
This cuts the quadratic cost of standard attention down to linear, making long-context models far cheaper to run.
ディープダイブ
標準のセルフ アテンションでは、すべてのトークンを他のすべてのトークンと比較するため、長さ N のシーケンスでは、およそ N 2 乗の比較が必要になります。スライディング ウィンドウ アテンションは、各トークンにサイズ W のウィンドウ (たとえば 4,096 トークン) を与え、そのウィンドウ内の隣接するもののみにアテンションすることでこの問題を解決します。コストは N の 2 乗ではなく、W の N 倍として増加します。重要なのは、多くのウィンドウ付きレイヤーを積み重ねることで、有効な受容野が拡大することです。L 層の後、情報は、CNN の成長する受容野のように、およそ L 倍の W トークンにわたって伝播することができます。 Mistral 7B は、32 レイヤーにわたる 4,096 トークン ウィンドウでこれを普及させ、理論上の 131,000 トークン スパンに達しました。モデルでは、長距離リンクを維持するために、ウィンドウ レイヤーと時折のフル アテンション レイヤーを混合することがよくあります。
技術的な洞察
アテンション マスクでは、位置 i のクエリは、位置 i から W プラス 1 から i までのキーのみを参照できます (因果関係の場合)。このスパース マスクは、KV キャッシュがレイヤーごとに最後の W トークンのみを必要とすることを意味し、生成中にメモリが大幅に削減されます。ウィンドウは新しいトークンごとにシフトするため、永久に拡大するのではなく、最も古いエントリを上書きするローリング バッファ キャッシュと自然に組み合わされます。
戦略的影響
速度とスケール
言語ワークフローは、一貫性を犠牲にすることなく、より高速に移行できます。
アクセスと到達範囲
言語やコミュニケーション スタイルを超えてアクセスが拡張されます。
より明確な判決
自動化が繰り返しを処理する間、チームは判断により多くの時間を費やすことができます。
スライディング ウィンドウの未来 注目
ハイブリッド設計では、多数のスライディング ウィンドウ レイヤーの間にいくつかのグローバル レイヤーまたはフル アテンション レイヤーをインターリーブし、真の長距離推論と効率のバランスをとります。 Gemma 2 などは、ローカル ブロックとグローバル ブロックを交互に使用します。ウィンドウ アテンションが状態空間モデル、アテンション シンク、KV キャッシュ圧縮と組み合わされることで、フロンティア モデルがメモリの暴走なしに 100 万トークンのコンテキストを処理できるようになります。これは、特殊な最適化ではなく、デフォルトの構成要素になりつつあります。
現実世界の実装
Mistral 7B は、レイヤー全体で 4,096 トークンのスライディング ウィンドウを使用して、コンシューマ GPU で長いプロンプトを安価に処理します。
Longformer は、ウィンドウ化されたアテンションといくつかのグローバル トークンを適用して、複数ページのドキュメントを分類および要約します。
Gemma 2 は、ローカル スライディング ウィンドウ レイヤーとグローバル アテンション レイヤーを交互に配置して、速度と長距離リコールのバランスをとります。
チャット アシスタントのローリング バッファー KV キャッシュは、トークンの最新ウィンドウのみを保持し、長時間の会話中にメモリを制限します。
リスクとガードレール
幻覚のような事実が、レポート、サポート フロー、または研究結果に静かに組み込まれる可能性があります。
迅速な対応により、同様のリクエスト間で一貫性のない結果が生じる可能性があります。
アクセス制御が弱いと、機密テキスト データが漏洩する可能性があります。
実装ロードマップ
展開する前に、出力形式、トーン、品質基準を定義します。
正確さが重要な場合は常に、信頼できる情報源を使って地上対応を行ってください。
一か八かの成果物については人間によるレビュー チェックポイントを維持します。
失敗パターンを追跡し、プロンプトやワークフローを定期的に再トレーニングします。
探検を続けましょう
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
次のガイド
グループ化されたクエリのアテンション
よくある質問
What is Sliding Window Attention?
スライディング ウィンドウ アテンションでは、各トークンがシーケンス全体ではなく、近くのトークンの固定サイズの近傍のみに注目するように制限されます。これにより、標準アテンションの二次コストが線形にまで削減され、ロングコンテキスト モデルの実行コストがはるかに安くなります。
標準的なセルフ アテンションと比べて、スライディング ウィンドウ アテンションの主な計算上の利点は何ですか?
各トークンを W 個の近傍の固定ウィンドウに制限することにより、コストは N の 2 乗ではなく、W の N 倍 (N で線形) に増加します。
ミストラル 7B の設計では、情報は 4,096 トークンの単一ウィンドウをはるかに超えてどうやって伝達できるのでしょうか?
CNN と同様に、各層は情報を 1 ウィンドウさらにプッシュするため、L 個の層により、およそ L 倍の W トークンの有効スパンが得られます。
スライディング ウィンドウ アテンションによってテキスト生成中のメモリが減少するのはなぜですか?
トークンは最近のウィンドウにのみ対応するため、古いキー/値エントリは、多くの場合、ローリング バッファ キャッシュを介して破棄される可能性があります。
Gemma 2 のようなモデルは、長距離推論を維持するためにスライディング ウィンドウと併用してどのような設計を選択しますか?
ローカル層にグローバル/フルアテンション層を時折混ぜることで、純粋なウィンドウ処理では弱くなる真の長距離接続が維持されます。
サイズ W の因果スライディング ウィンドウの場合、位置 i でどのキーにクエリを実行できますか?
因果関係のあるケースでは、クエリはそれ自体とその直前の W マイナス 1 トークンを参照し、将来のトークンは参照しません。