Tahadhari ya Dirisha la Kuteleza
Uangalifu wa dirisha linaloteleza huzuia kila tokeni kuhudhuria tu eneo la saizi isiyobadilika ya tokeni zilizo karibu badala ya mfuatano mzima.
Muhtasari
This cuts the quadratic cost of standard attention down to linear, making long-context models far cheaper to run.
Dive ya kina
Kujizingatia kwa kawaida hulinganisha kila tokeni na kila tokeni nyingine, kwa hivyo mlolongo wa urefu wa N unahitaji takribani ulinganisho wa N-mraba. Uangalifu wa dirisha la kuteleza hurekebisha hili kwa kutoa kila tokeni dirisha la saizi W (sema tokeni 4,096) na kuwahudumia majirani walio ndani ya dirisha hilo pekee. Gharama inakua kama N mara W badala ya N-mraba. Muhimu sana, kuweka tabaka nyingi zilizo na madirisha hupanua uga faafu wa upokezi: baada ya safu za L, maelezo yanaweza kuenea kwa takribani mara L ya tokeni za W, kama vile uga wa upokeaji wa CNN unaokua. Mistral 7B ilieneza hili kwa dirisha la ishara 4,096 katika tabaka 32, na kufikia muda wa kinadharia wa tokeni 131K. Miundo mara nyingi huchanganya safu zilizo na madirisha na safu za mara kwa mara zenye umakini kamili ili kuhifadhi viungo vya masafa marefu.
Ufahamu wa Kiufundi
Katika kinyago cha tahadhari, swala katika nafasi i inaruhusiwa tu kuona vitufe kutoka kwa nafasi i minus W pamoja na 1 hadi i (kesi ya sababu). Kinyago hiki kidogo kinamaanisha kuwa kashe ya KV inahitaji tu tokeni za W za mwisho kwa kila safu, ikipunguza kumbukumbu wakati wa uzalishaji. Kwa sababu dirisha hubadilika na kila tokeni mpya, huoanishwa kiasili na akiba ya akiba inayobingirisha ambayo hubatilisha maingizo ya zamani zaidi badala ya kukua milele.
Athari za kimkakati
Kasi na kiwango
Mitiririko ya kazi ya lugha inaweza kusonga kwa kasi zaidi bila kuacha uthabiti.
Kufikia na kufikia
Inapanua ufikiaji katika lugha na mitindo ya mawasiliano.
Maamuzi ya wazi zaidi
Timu zinaweza kutumia muda mwingi kufanya uamuzi huku otomatiki ikishughulikia marudio.
Mustakabali wa Uangalifu wa Dirisha la Kuteleza
Miundo mseto sasa inachanganya tabaka chache za kimataifa au zenye umakini kamili kati ya safu nyingi za madirisha ya kuteleza, kusawazisha ufanisi na hoja za kweli za masafa marefu. Gemma 2 na wengine hubadilishana vizuizi vya ndani na kimataifa. Tarajia umakini wa dirisha kuchanganyika na miundo ya anga za juu, sinki za umakini, na ukandamizaji wa akiba ya KV ili miundo ya mipaka ishughulikie miktadha ya tokeni milioni bila kumbukumbu iliyotoroka. Inakuwa kizuizi cha msingi cha ujenzi badala ya uboreshaji wa kigeni.
Utekelezaji wa Ulimwengu Halisi
Mistral 7B hutumia kidirisha cha kutelezea chenye alama 4,096 kwenye tabaka zake ili kushughulikia vidokezo virefu kwa bei nafuu kwenye GPU za watumiaji.
Longformer hutumia uangalizi wa dirisha pamoja na ishara chache za kimataifa ili kuainisha na kufanya muhtasari wa hati za kurasa nyingi.
Gemma 2 hubadilisha safu za madirisha ya kuteleza ya ndani na tabaka za umakini wa kimataifa ili kusawazisha kasi na kumbukumbu ya masafa marefu.
Akiba za KV za Rolling-buffer katika visaidizi vya gumzo huweka tu dirisha la hivi karibuni la tokeni, kuweka kumbukumbu wakati wa mazungumzo marefu.
Hatari & Walinzi
Mambo ya ukweli yanaweza kuingiza ripoti kwa utulivu, mitiririko ya usaidizi, au matokeo ya utafiti.
Usikivu wa haraka unaweza kuunda matokeo yasiyolingana katika maombi sawa.
Data nyeti ya maandishi inaweza kufichuliwa ikiwa vidhibiti vya ufikiaji ni dhaifu.
Ramani ya Utekelezaji
Bainisha umbizo la towe, toni na viwango vya ubora kabla ya kusambaza.
Majibu ya msingi na vyanzo vinavyoaminika wakati wowote usahihi ni muhimu.
Weka ukaguzi wa ukaguzi wa kibinadamu kwa matokeo ya juu.
Fuatilia mifumo ya kushindwa na fundisha tena vidokezo au mtiririko wa kazi mara kwa mara.
Endelea Kuchunguza
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
Mwongozo unaofuata
Umakini wa Maswali ya Kikundi
Maswali yanayoulizwa mara kwa mara
What is Sliding Window Attention?
Uangalifu wa dirisha linaloteleza huzuia kila tokeni kuhudhuria tu eneo la saizi isiyobadilika ya tokeni zilizo karibu badala ya mfuatano mzima. Hii inapunguza gharama ya quadratic ya umakini wa kawaida hadi mstari, na kufanya miundo ya muktadha mrefu kuwa nafuu zaidi kuendesha.
Je, ni faida gani kuu ya hesabu ya kutelezesha usikivu wa dirisha juu ya umakini wa kawaida wa kibinafsi?
Kwa kuweka kikomo kila tokeni kwa dirisha lisilobadilika la W majirani, gharama inakua kama N mara W (mstari katika N) badala ya N-mraba.
Katika muundo wa Mistral 7B, habari bado inawezaje kusafiri zaidi ya dirisha moja la ishara 4,096?
Kama CNN, kila safu husukuma habari kwenye dirisha moja zaidi, kwa hivyo safu za L hutoa muda mzuri wa tokeni za mara L za W.
Kwa nini umakini wa dirisha la kuteleza hupunguza kumbukumbu wakati wa kutengeneza maandishi?
Kwa kuwa tokeni inashughulikia dirisha lake la hivi majuzi pekee, maingizo ya vitufe vya zamani/thamani yanaweza kutupwa, mara nyingi kupitia kache inayobingirika ya bafa.
Ni chaguo gani la muundo ambalo mifano kama Gemma 2 hutumia kando ya madirisha ya kuteleza ili kuweka hoja za masafa marefu?
Kuchanganya tabaka za mara kwa mara za kimataifa/makini kati ya zile za ndani huhifadhi miunganisho ya kweli ya umbali mrefu ambayo uwekaji madirisha safi hudhoofisha.
Kwa kidirisha cha kuteleza cha saizi W, ni funguo zipi zinaweza kuuliza swali katika nafasi ninayohudhuria?
Katika kesi ya causal swala inajiona yenyewe na tokeni za W minus 1 mara moja kabla yake, kamwe ishara za siku zijazo.