概述
深度混合 (MoD) 让转换器在不同的令牌上花费不同的计算量，通过每层的繁重计算仅路由“重要”令牌。它降低了处理简单令牌的成本，同时保持固定、可预测的计算预算。
Mixture of Depths 是语言 AI 堆栈的一部分，用于大规模读取、生成、分类和转换文本和语音。
深入探讨
标准转换器将每一层应用于每个标记，甚至是诸如标点符号之类的琐碎标记。 Mixture of Depths 由 Google DeepMind 在 2024 年引入，在每个块添加一个小型路由器，选择固定的 top-k 部分令牌来进行完整的自注意力和 MLP 计算；其余的通过剩余连接跳过该块。由于每层仅处理 k 个令牌，因此总计算量 (FLOP) 受到限制并提前已知，这与早期不可预测变化的动态深度方法不同。这使得批处理和硬件利用更加高效。经过 MoD 训练的模型可以在每次前向传递中使用更少的 FLOP 来匹配基线变压器的质量，或者在相同的计算下达到更高的质量，并且这个想法可以与专家混合自然地组合，以提供在深度和宽度上路由的“MoDE”模型。
技术洞察
在每个 MoD 块中，学习的线性路由器对每个标记进行评分，并按分数保留前 k 个标记；选定的令牌通过注意力和 MLP，而未选定的令牌则通过剩余路径不变地继续前进。使用固定的 top-k（而不是每个令牌阈值）使计算图静态且张量形状恒定，这是硬件友好的。路由器与网络的其余部分一起进行训练，并且因果生成使用辅助预测器，因此路由决策不会窥视未来的令牌。
掌握深度的混合
深度混合 (MoD) 让转换器在不同的令牌上花费不同的计算量，通过每层的繁重计算仅路由“重要”令牌。它降低了处理简单令牌的成本，同时保持固定、可预测的计算预算。 Mixture of Depths 是语言 AI 堆栈的一部分，用于大规模读取、生成、分类和转换文本和语音。为了建立深入的理解，请将深度混合视为一种操作模型，而不是单一功能：定义期望的结果，澄清假设，并将系统可以可靠地完成的任务与仍需要专家判断的任务分开。
在实践中，强大的团队使用深度混合设计提示、检索和审查循环作为一个集成的通信系统。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
语言工作流程可以在不牺牲一致性的情况下更快地移动。与此同时，幻觉事实可以悄悄地进入报告、支持流程或研究成果。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
语言工作流程可以在不牺牲一致性的情况下更快地移动。
语言工作流程可以在不牺牲一致性的情况下更快地移动。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
它扩展了跨语言和沟通方式的访问。
它扩展了跨语言和沟通方式的访问。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
团队可以花更多时间进行判断，而自动化则可以处理重复。
团队可以花更多时间进行判断，而自动化则可以处理重复。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
通过跳过填充标记的深度计算来减少处理长文档所需的 FLOP
以较低的计算量训练与基线质量相匹配的模型，从而降低服务成本
与专家混合 (MoDE) 相结合，在层深度和专家选择上进行路由
保持每个令牌的可预测、固定延迟，因为每层计算预算是提前固定的
实施模式
实践中的深度混合
通过跳过填充标记的深度计算来减少处理长文档所需的 FLOP。
通过跳过对填充标记的深度计算来减少处理长文档所需的 FLOP 团队在预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时通常会获得更好的结果。
实践中的深度混合
以较低的计算量训练与基线质量相匹配的模型，从而降低服务成本。
以较低的计算量训练一个与基线质量相匹配的模型，降低服务成本当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
实践中的深度混合
与专家混合 (MoDE) 相结合，在层深度和专家选择上进行路由。
与专家混合 (MoDE) 相结合，在层深度和专家选择上进行路由 团队在预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
实践中的深度混合
保持每个令牌的可预测、固定延迟，因为每层计算预算是提前固定的。
保持每个令牌的可预测、固定延迟，因为每层计算预算是提前固定的。当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力增益和错误成本时，通常会获得更好的结果。
风险与防护栏
幻觉的事实可以悄悄地进入报告、支持流程或研究成果。
及时的敏感性可能会在类似的请求中产生不一致的结果。
如果访问控制薄弱，敏感文本数据可能会暴露。
实施路线图
在推出之前定义输出格式、语气和质量标准。
在推出之前定义输出格式、语气和质量标准。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
当准确性很重要时，请使用可信来源进行地面响应。
当准确性很重要时，请使用可信来源进行地面响应。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
为高风险输出保留人工审查检查点。
为高风险输出保留人工审查检查点。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
跟踪故障模式并定期重新训练提示或工作流程。
跟踪故障模式并定期重新训练提示或工作流程。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。