ภาพรวม
ความสนใจของหน้าต่างบานเลื่อนจะจำกัดโทเค็นแต่ละรายการให้เข้าร่วมเฉพาะโทเค็นใกล้เคียงที่มีขนาดคงที่ แทนที่จะเป็นลำดับทั้งหมด วิธีนี้จะลดต้นทุนกำลังสองของความสนใจมาตรฐานลงเหลือเพียงเชิงเส้น ทำให้โมเดลที่มีบริบทยาวถูกกว่ามากในการรัน
ความสนใจของหน้าต่างบานเลื่อนเป็นส่วนหนึ่งของสแต็กภาษา-AI ที่ใช้ในการอ่าน สร้าง จำแนก และแปลงข้อความและคำพูดตามขนาด
เจาะลึก
การเอาใจใส่ตนเองแบบมาตรฐานจะเปรียบเทียบทุกโทเค็นกับโทเค็นอื่นๆ ดังนั้นลำดับความยาว N จึงต้องการเปรียบเทียบแบบ N-squared อย่างคร่าว ๆ ความสนใจของหน้าต่างบานเลื่อนจะแก้ไขปัญหานี้โดยให้แต่ละโทเค็นมีหน้าต่างขนาด W (เช่น 4,096 โทเค็น) และดูแลเฉพาะเพื่อนบ้านภายในหน้าต่างนั้นเท่านั้น ต้นทุนเพิ่มขึ้นเป็น N คูณ W แทนที่จะเป็น N-squared สิ่งสำคัญที่สุดคือ การวางซ้อนเลเยอร์ที่มีหน้าต่างจำนวนมากจะขยายฟิลด์รับที่มีประสิทธิภาพ: หลังจากเลเยอร์ L แล้ว ข้อมูลสามารถแพร่กระจายผ่านโทเค็น L คูณ W ประมาณได้ เช่นเดียวกับฟิลด์เปิดรับที่เพิ่มขึ้นของ CNN Mistral 7B ทำให้สิ่งนี้เป็นที่นิยมด้วยหน้าต่างโทเค็น 4,096 โทเค็นใน 32 เลเยอร์ ซึ่งถึงช่วงโทเค็นทางทฤษฎีที่ 131,000 โทเค็น โมเดลมักจะผสมเลเยอร์ที่มีหน้าต่างกับเลเยอร์ที่มีความสนใจเต็มรูปแบบเป็นครั้งคราว เพื่อรักษาลิงก์ระยะไกล
ข้อมูลเชิงลึกทางเทคนิค
ในหน้าต่างความสนใจ การสืบค้นที่ตำแหน่ง i ได้รับอนุญาตให้ดูเฉพาะคีย์จากตำแหน่ง i ลบ W บวก 1 ถึง i (ตัวพิมพ์เชิงสาเหตุ) มาสก์แบบกระจัดกระจายนี้หมายความว่าแคช KV ต้องการเพียงโทเค็น W สุดท้ายต่อเลเยอร์ ซึ่งจะทำให้หน่วยความจำเสียหายระหว่างการสร้าง เนื่องจากหน้าต่างจะเปลี่ยนไปตามโทเค็นใหม่แต่ละรายการ จึงจับคู่กับแคชบัฟเฟอร์แบบต่อเนื่องซึ่งจะเขียนทับรายการที่เก่าที่สุดแทนที่จะเติบโตตลอดไป
การเรียนรู้หน้าต่างบานเลื่อนอย่างเชี่ยวชาญ
ความสนใจของหน้าต่างบานเลื่อนจะจำกัดโทเค็นแต่ละรายการให้เข้าร่วมเฉพาะกับโทเค็นใกล้เคียงที่มีขนาดคงที่ แทนที่จะเป็นลำดับทั้งหมด วิธีนี้จะลดต้นทุนกำลังสองของความสนใจมาตรฐานลงเหลือเพียงเชิงเส้น ทำให้โมเดลที่มีบริบทยาวถูกกว่ามากในการรัน ความสนใจของหน้าต่างบานเลื่อนเป็นส่วนหนึ่งของสแต็กภาษา-AI ที่ใช้ในการอ่าน สร้าง จำแนก และแปลงข้อความและคำพูดตามขนาด เพื่อสร้างความเข้าใจอย่างลึกซึ้ง ให้ถือว่า Slide Window Attention เป็นรูปแบบการดำเนินงาน ไม่ใช่คุณลักษณะเดียว: กำหนดผลลัพธ์ที่ต้องการ ชี้แจงสมมติฐาน และแยกสิ่งที่ระบบสามารถทำได้อย่างน่าเชื่อถือจากสิ่งที่ยังต้องใช้วิจารณญาณจากผู้เชี่ยวชาญ
ในทางปฏิบัติ ทีมที่แข็งแกร่งโดยใช้การแจ้งเตือนการออกแบบ Slide Window Attention การรับข้อมูล และลูปการตรวจสอบเป็นระบบการสื่อสารแบบรวมระบบเดียว โดยจะบันทึกเกณฑ์ความสำเร็จที่ชัดเจน ทดสอบกับข้อมูลและขั้นตอนการทำงานที่สมจริง และทำซ้ำตามรูปแบบความล้มเหลวที่สังเกตได้ แทนที่จะชนะการวัดประสิทธิภาพเพียงครั้งเดียว นี่คือจุดที่ความเข้าใจทางทฤษฎีกลายเป็นความสามารถที่คงทนของผลิตภัณฑ์ นโยบาย และการดำเนินงาน
ขั้นตอนการทำงานของภาษาสามารถดำเนินไปได้เร็วขึ้นโดยไม่กระทบต่อความสม่ำเสมอ ในขณะเดียวกัน ข้อเท็จจริงที่หลอนประสาทสามารถเข้าสู่รายงาน กระแสสนับสนุน หรือผลการวิจัยได้อย่างเงียบๆ แนวทางที่ยืดหยุ่นที่สุดคือการรวมความเร็วของการทดลองเข้ากับวินัยในการกำกับดูแล: ดำเนินการนำร่อง จับหลักฐาน เผยแพร่บันทึกการตัดสินใจ และอัปเดตการป้องกันอย่างต่อเนื่องเมื่อพฤติกรรมของโมเดล ความคาดหวังของผู้ใช้ และข้อกำหนดด้านกฎระเบียบมีการเปลี่ยนแปลง
ผลกระทบเชิงกลยุทธ์
ขั้นตอนการทำงานของภาษาสามารถดำเนินไปได้เร็วขึ้นโดยไม่กระทบต่อความสม่ำเสมอ
ขั้นตอนการทำงานของภาษาสามารถดำเนินไปได้เร็วขึ้นโดยไม่กระทบต่อความสม่ำเสมอ ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ
ขยายการเข้าถึงภาษาและรูปแบบการสื่อสาร
ขยายการเข้าถึงภาษาและรูปแบบการสื่อสาร ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ
ทีมสามารถใช้เวลามากขึ้นในการตัดสิน ในขณะที่ระบบอัตโนมัติจัดการกับการทำซ้ำ
ทีมสามารถใช้เวลามากขึ้นในการตัดสิน ในขณะที่ระบบอัตโนมัติจัดการกับการทำซ้ำ ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ
การใช้งานจริงในโลกแห่งความเป็นจริง
Mistral 7B ใช้หน้าต่างเลื่อน 4,096 โทเค็นข้ามเลเยอร์เพื่อจัดการกับคำสั่งที่ยาวในราคาถูกบน GPU สำหรับผู้บริโภค
Longformer ใช้ Windowed Attention บวกกับโทเค็นส่วนกลางบางส่วนเพื่อจัดประเภทและสรุปเอกสารที่มีหลายหน้า
Gemma 2 สลับเลเยอร์หน้าต่างบานเลื่อนในพื้นที่กับเลเยอร์ที่ดึงดูดความสนใจทั่วโลกเพื่อสร้างสมดุลระหว่างความเร็วและการเรียกคืนระยะไกล
แคช KV แบบโรลลิ่งบัฟเฟอร์ในผู้ช่วยแชทจะเก็บเฉพาะหน้าต่างโทเค็นล่าสุดเท่านั้น โดยจำกัดหน่วยความจำในระหว่างการสนทนาที่ยาวนาน
รูปแบบการดำเนินงาน
หน้าต่างบานเลื่อน ความสนใจในทางปฏิบัติ
Mistral 7B ใช้หน้าต่างเลื่อน 4,096 โทเค็นข้ามเลเยอร์เพื่อจัดการกับคำสั่งที่ยาวในราคาถูกบน GPU สำหรับผู้บริโภค
Mistral 7B ใช้หน้าต่างเลื่อน 4,096 โทเค็นข้ามเลเยอร์เพื่อจัดการกับข้อความแจ้งที่ยาวในราคาถูกบน GPU สำหรับผู้บริโภค ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
หน้าต่างบานเลื่อน ความสนใจในทางปฏิบัติ
Longformer ใช้ Windowed Attention บวกกับโทเค็นส่วนกลางบางส่วนเพื่อจัดประเภทและสรุปเอกสารที่มีหลายหน้า
Longformer ใช้ความสนใจแบบหน้าต่างพร้อมโทเค็นส่วนกลางสองสามรายการเพื่อจัดประเภทและสรุปเอกสารหลายหน้า โดยปกติแล้วทีมจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
หน้าต่างบานเลื่อน ความสนใจในทางปฏิบัติ
Gemma 2 สลับเลเยอร์หน้าต่างบานเลื่อนในพื้นที่กับเลเยอร์ที่ดึงดูดความสนใจทั่วโลกเพื่อสร้างสมดุลระหว่างความเร็วและการเรียกคืนระยะไกล
Gemma 2 สลับเลเยอร์หน้าต่างบานเลื่อนในพื้นที่กับเลเยอร์ที่ดึงดูดความสนใจจากทั่วโลกเพื่อสร้างสมดุลระหว่างความเร็วและการเรียกคืนระยะไกล ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
หน้าต่างบานเลื่อน ความสนใจในทางปฏิบัติ
แคช KV แบบโรลลิ่งบัฟเฟอร์ในผู้ช่วยแชทจะเก็บเฉพาะหน้าต่างโทเค็นล่าสุดเท่านั้น โดยจำกัดหน่วยความจำในระหว่างการสนทนาที่ยาวนาน
แคช KV แบบบัฟเฟอร์แบบโรลลิ่งในผู้ช่วยแชทจะเก็บเฉพาะหน้าต่างโทเค็นล่าสุด การจำกัดหน่วยความจำระหว่างการสนทนาที่ยาวนาน ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
ความเสี่ยงและรั้ว
ข้อเท็จจริงที่หลอนประสาทสามารถเข้าสู่รายงาน กระแสสนับสนุน หรือผลการวิจัยได้อย่างเงียบๆ
ความละเอียดอ่อนของการแจ้งเตือนสามารถสร้างผลลัพธ์ที่ไม่สอดคล้องกันในคำขอที่คล้ายกัน
ข้อมูลข้อความที่ละเอียดอ่อนอาจถูกเปิดเผยหากการควบคุมการเข้าถึงอ่อนแอ
แผนงานการดำเนินงาน
กำหนดรูปแบบเอาต์พุต โทนเสียง และมาตรฐานคุณภาพก่อนเปิดตัว
กำหนดรูปแบบเอาต์พุต โทนเสียง และมาตรฐานคุณภาพก่อนเปิดตัว ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น
การตอบสนองภาคพื้นดินกับแหล่งข้อมูลที่เชื่อถือได้เมื่อใดก็ตามที่ความแม่นยำมีความสำคัญ
การตอบสนองภาคพื้นดินกับแหล่งข้อมูลที่เชื่อถือได้เมื่อใดก็ตามที่ความแม่นยำมีความสำคัญ ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น
รักษาจุดตรวจสอบการตรวจสอบโดยมนุษย์สำหรับผลลัพธ์ที่มีเดิมพันสูง
รักษาจุดตรวจสอบการตรวจสอบโดยมนุษย์สำหรับผลลัพธ์ที่มีเดิมพันสูง ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น
ติดตามรูปแบบความล้มเหลวและฝึกอบรมพร้อมท์หรือเวิร์กโฟลว์เป็นประจำ
ติดตามรูปแบบความล้มเหลวและฝึกอบรมพร้อมท์หรือเวิร์กโฟลว์เป็นประจำ ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น