深度解析大語言模型的位置編碼及其外推性

現(xiàn)在，眾多大型模型已開始支持長文本的推理，如最新的 GPT4 Turbo 能處理超過 128k 的內(nèi)容，而 Baichuan2 也可應(yīng)對最長為 192K 的文本。但受顯存資源約束，這些模型在訓(xùn)練時并不一定會處理如此長的文本，其預(yù)訓(xùn)練階段通常僅涉及約 4k 的內(nèi)容。 ? 因此，如何在推理階段確保模型能處理遠(yuǎn)超預(yù)訓(xùn)練時的文本長度，已成為當(dāng)前大型模型面臨的核心問題之一，我們將此問題視為大模型的外推性挑戰(zhàn)。 ? 而為了應(yīng)對這個挑戰(zhàn)，最關(guān)鍵的地方就是如何優(yōu)化大模型的位置編碼。在之前的文章十分鐘讀懂旋轉(zhuǎn)編碼（RoPE）中，我們已經(jīng)介紹了目前應(yīng)用最廣的旋轉(zhuǎn)位置編碼 RoPE。 ?

然而，那篇文章并未涉及 RoPE 在外推性方面的表現(xiàn)以及如何優(yōu)化其外推性。恰好最近，我們組的同事在論文分享中進(jìn)一步探討了大模型位置編碼的相關(guān)內(nèi)容，其中包含一些我之前未曾接觸的新觀點(diǎn)。因此，本文旨在更全面地介紹位置編碼及其與外推性的關(guān)系。 ? 我們主要圍繞以下兩個問題展開： ? 1. RoPE 是如何實(shí)現(xiàn)相對位置編碼的？（如何想到的？） ? 2.?如何通過調(diào)整旋轉(zhuǎn)角（旋轉(zhuǎn)角 ），提升外推效果。

? 本文主要有以下幾個結(jié)論： ? 1. 雖然 RoPE 理論上可以編碼任意長度的絕對位置信息，但是實(shí)驗(yàn)發(fā)現(xiàn) RoPE 仍然存在外推問題，即測試長度超過訓(xùn)練長度之后，模型的效果會有顯著的崩壞，具體表現(xiàn)為困惑度（Perplexity，PPL）等指標(biāo)顯著上升。 ? 2. RoPE 做了線性內(nèi)插（縮放位置索引，將位置 m 修改為 m/k）修改后，通常都需要微調(diào)訓(xùn)練。 ? 3. 雖然外推方案也可以微調(diào)，但是內(nèi)插方案微調(diào)所需要的步數(shù)要少得多。 ? 4. NTK-Aware Scaled RoPE 非線性內(nèi)插，是對 base 進(jìn)行修改（base 變成 ）。 ?

5. NTK-Aware Scaled RoPE 在不微調(diào)的情況下，就能取得不錯的外推效果。（訓(xùn)練 2048 長度的文本，就能在較低 PPL 情況下，外推 8k 左右的長文本） ? 6. RoPE 的構(gòu)造可以視為一種 進(jìn)制編碼，在這個視角之下，NTK-aware Scaled RoPE 可以理解為對進(jìn)制編碼的不同擴(kuò)增方式（擴(kuò)大 k 倍表示范圍 L->k*L，那么原本 RoPE 的 β 進(jìn)制至少要擴(kuò)大成 進(jìn)制）。

絕對位置編碼

我們先來回顧一下絕對位置編碼的問題。絕對位置編碼通過可學(xué)習(xí)的 Positional Embedding 來編碼位置信息，這種方案直接對不同的位置隨機(jī)初始化一個 postion embedding，然后與 word embedding 相加后輸入模型。postion embedding 作為模型參數(shù)的一部分，在訓(xùn)練過程中進(jìn)行更新。比如下面是絕對位置編碼的實(shí)現(xiàn)：

#?初始化
self.position_embeddings?=?nn.Embedding(config.max_position_embeddings,?config.hidden_size)

#?計(jì)算
position_embeddings?=?self.position_embeddings(position_ids)
embeddings?+=?position_embeddings

對絕對位置編碼進(jìn)行可視化，如下圖所示：

▲ 圖1-1 絕對位置編碼可視化 ? 可以看到每個位置都會被區(qū)分開，并且相鄰的位置比較接近。這個方案的問題也非常明顯，不具備外推的性質(zhì)。長度在預(yù)設(shè)定好之后就被固定了。 ? ? ?

正弦編碼（Sinusoidal）

基于 Sinusoidal 的位置編碼最初是由谷歌在論文 Attention is All You Need 中提出的方案，用于 Transformer 的位置編碼。具體計(jì)算方式如下所示： 其中 pos 是位置，i 表示維度。 ? 看起來是通過 sin 和cos函數(shù)將位置編碼的取值固定在了 [-1, 1] 之前，但是為什么不用線性函數(shù)？而且這里面的10000是怎么想到的？ ? 谷歌在論文里面給出了解釋： ?

具有相對位置表達(dá)能力：Sinusoidal 可以學(xué)習(xí)到相對位置，對于固定位置距離的 k，PE(i+k) 可以表示成 PE(i) 的線性函數(shù)。

兩個位置向量的內(nèi)積只和相對位置 k 有關(guān)。

Sinusoidal 編碼具有對稱性。

隨著 k 的增加，內(nèi)積的結(jié)果會直接減少，即會存在遠(yuǎn)程衰減。

下面我們來分析一下為什么會有上面四點(diǎn)結(jié)論。

2.1 相對位置表達(dá)能力

Sinusoidal 可以學(xué)習(xí)到相對位置，對于固定位置距離的 k，PE(i+k) 可以表示成 PE(i) 的線性函數(shù)。證明如下：

其中 u, v 為關(guān)于 k 的常數(shù)，所以可以證明 PE(i+k) 可以由 PE(i) 線性表示。?

2.2 內(nèi)積只和相對位置k有關(guān)

Attention 中的重要操作就是內(nèi)積。計(jì)算兩個位置的內(nèi)積 PE(t+k)PE(t) 如下所示：

可以看到，最終的結(jié)果是關(guān)于 k 的一個常數(shù)。這表明兩個位置向量的內(nèi)積只和相對位置 k 有關(guān)。 ? 通過計(jì)算，很容易得到 PE(t+k)PE(t) = PE(t)PE(t-k)，這表明 Sinusoidal 編碼具有對稱性。

2.3 遠(yuǎn)程衰減

可以發(fā)現(xiàn)，隨著 k 的增加，位置向量的內(nèi)積結(jié)果會逐漸降低，即會存在遠(yuǎn)程衰減。如下圖所示：

▲ 圖2-1 隨著相對距離 k 的增加，位置向量內(nèi)積 PE(t)PE(t+k) 逐漸降低

2.4 為什么選擇參數(shù)base=10000

選擇 sin，cos 是因?yàn)榭梢员磉_(dá)相對位置，以及具備遠(yuǎn)程衰減。但是 sin/cos 里面的參數(shù) 10000 是如何來的？ ? 這里可以從 sin/cos 的周期性角度進(jìn)行分析。分析周期可以發(fā)現(xiàn)，維度i的周期為 ，其中 0<=i

▲ 圖2-2 不同 base 下的 position embedding 取值 ? 可以看到隨著 base 的變大，周期會明顯變長。Transformer 選擇比較大的 base=10000，可能是為了能更好的區(qū)分開每個位置。 ? 備注：解釋下為什么周期大能更好區(qū)分位置 ? 從圖 2-2 可以看出，base 越大，周期越大。而周期越大，在 position 從 0~100 范圍內(nèi)，只覆蓋了不到半個周期，這使得重復(fù)值少；而周期小的，覆蓋了多個周期，就導(dǎo)致不同位置有大量重復(fù)的值。

2.5 正弦編碼是否真的具備外推性？

在前面的圖 2-1 中，似乎 Sinusoidal 只和相對位置有關(guān)。但是實(shí)際的 Attention 計(jì)算中還需要與 attention 的權(quán)重 W 相乘，即 ，這時候內(nèi)積的結(jié)果就不能反映相對距離，如下圖所示：

▲ 圖2-3 真實(shí)的 q,k 向量內(nèi)積和相對距離之間，沒有遠(yuǎn)程衰減性

旋轉(zhuǎn)位置編碼（RoPE）

3.1 什么是好的位置編碼

既然前面的絕對位置編碼和 Sinusoidal 編碼都不是好的位置編碼，那么什么才是好的位置編碼？ ? 理想情況下，一個好的位置編碼應(yīng)該滿足以下條件： ?

每個位置輸出一個唯一的編碼

具備良好的外推性

任何位置之間的相對距離在不同長度的句子中應(yīng)該是一致的

這兩條比較好理解，最后一條是指如果兩個 token 在句子 1 中的相對距離為 k，在句子 2 中的相對距離也是 k，那么這兩個句子中，兩個 token 之間的相關(guān)性應(yīng)該是一致的，也就是 attention_sample1 (token1, token2) = attention_sample2 (token1, token2)。

▲ 圖3-1 平移性 ? 而 RoPE 正是為了解決上面三個問題而提出的。

3.2 RoPE如何解決內(nèi)積只和相對位置有關(guān)

RoPE 旋轉(zhuǎn)位置編碼是蘇神在論文 RoFormer 中提出的，也是目前大模型廣泛采用的一種位置編碼方式。這種編碼不是作用在 embedding 的輸入層，而是作用在與 Attention 的計(jì)算中。 ? 假設(shè)位置 m 的位置編碼為 ，位置 n 的位置編碼為 ，如果使用之前的絕對位置編碼方式，那么兩個位置之間的 attention 可以表示為： 后面的三項(xiàng)都是和絕對位置位置 m，n 有關(guān)，無法表示成 m-n 的形式。 ? 因此，我們需要找到一種位置編碼，使得公式（6）表示為如下的形式： 接下來的目標(biāo)就是找到一個等價的位置編碼方式，從而使得上述關(guān)系成立。 ? 假定現(xiàn)在詞嵌入向量的維度是兩維 d=2，這樣就可以利用上 2 維度平面上的向量的幾何性質(zhì)，然后論文中提出了一個滿足上述關(guān)系的 f 和 g 的形式如下： 這里面 Re 表示復(fù)數(shù)的實(shí)部。 ? 進(jìn)一步地， 可以表示成下面的式子：

其中 表示位置 m 的旋轉(zhuǎn)矩陣。 ? 將 d=2 擴(kuò)展到多維，旋轉(zhuǎn)矩陣表示如下： 總結(jié)來說，RoPE 的 self-attention 操作的流程是：對于 token 序列中的每個詞嵌入向量，首先計(jì)算其對應(yīng)的 query 和 key 向量，然后對每個 token 位置都計(jì)算對應(yīng)的旋轉(zhuǎn)位置編碼，接著對每個 token 位置的 query 和 key 向量的元素按照兩兩一組應(yīng)用旋轉(zhuǎn)變換，最后再計(jì)算 query 和 key 之間的內(nèi)積得到 self-attention 的計(jì)算結(jié)果。 ? RoPE 為什么會想到用 進(jìn)行位置編碼？來看一下蘇神現(xiàn)身說法（相乘后可以表達(dá)成差的形式，所以可能可以實(shí)現(xiàn)相對位置編碼）：

▲ 圖3-2 為什么 RoPE?選擇 方式進(jìn)行位置編碼

3.3 RoPE的遠(yuǎn)程衰減

▲ 圖3-3 RoPE 的遠(yuǎn)程衰減 ? 從圖中我們可以看到隨著相對距離的變大，內(nèi)積結(jié)果有衰減趨勢的出現(xiàn)。因此，選擇 ，確實(shí)能帶來一定的遠(yuǎn)程衰減性。論文中還試過以 為初始化，將 視為可訓(xùn)練參數(shù)，然后訓(xùn)練一段時間后發(fā)現(xiàn) 并沒有顯著更新，因此干脆就直接固定 了。 ? ? ?

調(diào)整旋轉(zhuǎn)角提升外推效果

雖然 RoPE 理論上可以編碼任意長度的絕對位置信息，并且 sin/cos 計(jì)算就能將任意長度的相對位置信息表達(dá)出來，但是實(shí)驗(yàn)發(fā)現(xiàn) RoPE 仍然存在外推問題，即測試長度超過訓(xùn)練長度之后，模型的效果會有顯著的崩壞，具體表現(xiàn)為困惑度（Perplexity，PPL）等指標(biāo)顯著上升。 ? 對此，就有很多人提出了如何擴(kuò)展 LLM 的 Context 長度，比如有人實(shí)驗(yàn)了“位置線性內(nèi)插”的方案，顯示通過非常少的長文本微調(diào)，就可以讓已有的 LLM 處理長文本。 ? 幾乎同時，Meta 也提出了同樣的思路，在論文 Extending Context Window of Large Language Models via Positional Interpolation 中提出了位置線性內(nèi)插（Position Interpolation，PI）。 ? 隨后，又有人提出了 NTK-aware Scaled RoPE，實(shí)現(xiàn)了不用微調(diào)就可以擴(kuò)展 Context 長度的效果。 ? 從 Sinusoidal 編碼到旋轉(zhuǎn)位置編碼 RoPE， 的取值一直都是 ，也就是base = 10000。而最新的位置線性內(nèi)插和 NTK 都打破了這一傳統(tǒng)。

4.1 位置線性內(nèi)插（Position Interpolation，PI）

傳統(tǒng)的 RoPE 算法在超出最大距離后，PPL 就會爆炸，因此直接推廣的效果一定是很差的，因此 Position Interpolation 繞過了推廣的限制，通過內(nèi)插的方法，如下圖所示。

▲ 圖4-1 RoPE 位置線性內(nèi)插（base 和位置線性內(nèi)插的效果對比）

圖 4-1 是關(guān)于“位置線性內(nèi)插（Position Interpolation）”方法的圖示說明。對于預(yù)訓(xùn)練 2048 長度，外推 4096 長度： ? 左上角圖示：

這部分是 LLM 預(yù)訓(xùn)練的長度。

藍(lán)色點(diǎn)代表輸入的位置索引，它們都在 0 到 2048 的范圍內(nèi)，即預(yù)訓(xùn)練范圍內(nèi)。

這意味著給模型提供的輸入序列長度沒有超過它預(yù)訓(xùn)練時的最大長度。

右上角圖示：

這部分展示了所謂的“長度外推”（Extrapolation）情況。

在這種情況下，模型被要求處理位置索引超出 2048 的情況，直到 4096（由紅色點(diǎn)表示）。

這些位置對于模型來說是“未見過的”，因?yàn)樵陬A(yù)訓(xùn)練時它們并沒有涉及。

當(dāng)模型遇到這種更長的輸入序列時，其性能可能會受到影響，因?yàn)樗鼪]有被優(yōu)化來處理這種情況。

左下角圖示：

這部分展示了“位置線性內(nèi)插”方法的應(yīng)用。

為了解決模型處理更長序列時的問題，研究者們提出了一個策略：將位置索引本身進(jìn)行下采樣或縮放。

具體來說，他們將原本在 [0, 4096] 范圍內(nèi)索引（由藍(lán)色和綠色點(diǎn)表示）縮放到 [0, 2048] 的范圍內(nèi)。

通過這種方式，所有的位置索引都被映射回了模型預(yù)訓(xùn)練時的范圍內(nèi)，從而幫助模型更好地處理這些原本超出其處理能力的輸入序列。

我們再舉一個例子，base=10000，d=2048，對于 token embedding 第 2000 維，RoPE 為：

base?=?10000
i?=?2000
d?=?4096
pos?=?list(range(1,?2049))
w?=?math.pow(base,?-i/d)
v?=?np.array([math.cos(p?*?w)?for?p?in?pos])
index?=?sorted(random.sample(pos,?15))

#?繪制曲線??
plt.figure(figsize=(10,?4))??#?創(chuàng)建一個新的圖形??
plt.scatter([pos[-1]],?[v[-1]])
index_to_highlight?=?-1????
#?添加注釋顯示坐標(biāo)值??
plt.annotate(f'({pos[index_to_highlight]},?{v[index_to_highlight]:.2f})',??
?????????????xy=(pos[index_to_highlight],?v[index_to_highlight]),???
?????????????xytext=(10,?-10),??#?文本位置相對于注釋點(diǎn)的偏移量??
?????????????textcoords="offset?points",??#?文本坐標(biāo)的參照系（基于點(diǎn)的偏移）??
#??????????????arrowprops=dict(arrowstyle="-|>",?connectionstyle="arc3,rad=0.2")
????????????)??#?箭頭樣式和連接樣式??

plt.plot(pos,?v,?'-')??#?繪制第一條曲線?
plt.scatter(index,?v[index],?color='blue',?s=20,?label='pre-trained?RoPE')??#?繪制第一條曲線?


pos?=?list(range(2048,?4097))
w?=?math.pow(base,?-i/d)
v?=?np.array([math.cos(p?*?w)?for?p?in?pos])
index?=?sorted(random.sample(pos,?15))
v_?=?np.array([math.cos(p?*?w)?for?p?in?index])
plt.plot(pos,?v,?'green')??#?繪制第一條曲線?
plt.scatter(index,?v_,?color='r',?s=20,?label='Extrapolation?RoPE')??#?繪制第一條曲線?
plt.annotate(f'({pos[index_to_highlight]},?{v[index_to_highlight]:.2f})',????
?????????????xy=(pos[index_to_highlight],?v[index_to_highlight]),???
?????????????xytext=(10,?-10),??#?文本位置相對于注釋點(diǎn)的偏移量??
?????????????textcoords="offset?points",??#?文本坐標(biāo)的參照系（基于點(diǎn)的偏移）??
#??????????????arrowprops=dict(arrowstyle="-|>",?connectionstyle="arc3,rad=0.2")
????????????)??#?箭頭樣式和連接樣式?


plt.grid(axis='y')

#?添加圖例??
plt.legend()??

#?顯示圖形??
plt.show()

▲ 圖4-2 RoPE位置編碼 ? 從圖 4-2 可以看出，在外推（Extrapolation）時，紅色點(diǎn)超出了預(yù)訓(xùn)練時的位置編碼。 ? 為了解決這個問題，位置線性內(nèi)插的核心思想是通過縮放位置索引，使得模型能夠處理比預(yù)訓(xùn)練時更長的序列，而不損失太多性能。 其中 x 是 token embedding，m 是位置。對于一個超過之前最大長度 L 的樣本（長度為 L’），通過縮放將所有位置映射回 L 區(qū)間，每個位置都不再是整數(shù)。通過這種方式在長樣本區(qū)間訓(xùn)練 1000 步，就能很好的應(yīng)用到長樣本上。 ? 我們看一下新的位置編碼后，設(shè)?，內(nèi)積可以表示為： 其中 可以表示為 ， 中的“*”表示共軛，可以表示為 。這里面 可以改寫為：

由于 ，因此相當(dāng)于是擴(kuò)大了 base，縮小了 。 從小到大對應(yīng)低頻到高頻的不同特征（周期 ，頻率 ）。 ? 下面是實(shí)驗(yàn)結(jié)果：

▲ 圖4-3 微調(diào)少量長文本，位置線性內(nèi)插就能推理長文本 ? 從圖 4-2 可以看出，使用 10000 條樣本，直接進(jìn)行微調(diào)長度為 8192 的文本，外推長度只能到 2560；而只用 1000 條樣本，在微調(diào)中使用位置線性內(nèi)插，外推長度就可以達(dá)到 8192。

4.2 NTK-Aware Scaled RoPE

位置線性內(nèi)插雖然效果不錯，但是插值方法是線性的，這種方法在處理相近的 token 時可能無法準(zhǔn)確區(qū)分它們的順序和位置。因此，研究者提出了一種非線性的插值方案，它改變 RoPE 的 base 而不是比例，從而改變每個 RoPE 維度向量與下一個向量的“旋轉(zhuǎn)”速度。 ? 由于它不直接縮放傅里葉特征，因此即使在極端情況下（例如拉伸 100 萬倍，相當(dāng)于 20 億的上下文大?。?，所有位置都可以完美區(qū)分。 ? 新的方法被稱為 “NTK-Aware Scaled RoPE”，它允許 LLaMA 模型在無需任何微調(diào)且困惑度降低到最小的情況下擴(kuò)展上下文長度。這種方法基于 Neural Tangent Kernel（NTK）理論和 RoPE 插值進(jìn)行改進(jìn)。 ? NTK-Aware Scaled RoPE 在 LLaMA 7B（Context 大小為 2048）模型上進(jìn)行了實(shí)驗(yàn)驗(yàn)證，結(jié)果表明在不需要對 4096 Context 進(jìn)行微調(diào)的情況下，困惑度可以降低到非常小。 ? NTK-Aware Scaled RoPE 的計(jì)算非常簡單，如下所示：

可以看到，公式（15）只是對 base 進(jìn)行了放大，但是實(shí)驗(yàn)效果卻非常好。為什么會取得這樣的效果？ ? 為了解開這個謎底，我們需要理解 RoPE 的構(gòu)造可以視為一種 進(jìn)制編碼，在這個視角之下，NTK-aware Scaled RoPE 可以理解為對進(jìn)制編碼的不同擴(kuò)增方式。

4.2.1 進(jìn)制表示 假設(shè)我們有一個 1000 以內(nèi)（不包含 1000）的整數(shù) n 要作為條件輸入到模型中，那么要以哪種方式比較好呢？ ? 最樸素的想法是直接作為一維浮點(diǎn)向量輸入，然而 0～999 這涉及到近千的跨度，對基于梯度的優(yōu)化器來說并不容易優(yōu)化得動。那縮放到 0～1 之間呢？也不大好，因?yàn)榇藭r相鄰的差距從 1 變成了 0.001，模型和優(yōu)化器都不容易分辨相鄰的數(shù)字?？偟膩碚f，基于梯度的優(yōu)化器只能處理好不大不小的輸入，太大太小都容易出問題。 ? 所以，為了避免這個問題，我們還需要繼續(xù)構(gòu)思新的輸入方式。在不知道如何讓機(jī)器來處理時，我們不妨想想人是怎么處理呢。對于一個整數(shù)，比如 759，這是一個 10 進(jìn)制的三位數(shù)，每位數(shù)字是 0～9。 ? 既然我們自己都是用 10 進(jìn)制來表示數(shù)字的，為什么不直接將 10 進(jìn)制表示直接輸入模型呢？也就是說，我們將整數(shù)n以一個三維向量 [a,b,c] 來輸入，a,b,c 分別是n的百位、十位、個位。這樣，我們既縮小了數(shù)字的跨度，又沒有縮小相鄰數(shù)字的差距，代價是增加了輸入的維度——剛好，神經(jīng)網(wǎng)絡(luò)擅長處理高維數(shù)據(jù)。 ? 如果想要進(jìn)一步縮小數(shù)字的跨度，我們還可以進(jìn)一步縮小進(jìn)制的基數(shù)，如使用 8 進(jìn)制、6 進(jìn)制甚至 2 進(jìn)制，代價是進(jìn)一步增加輸入的維度。

4.2.2 直接外推 假設(shè)我們還是用三維 10 進(jìn)制表示訓(xùn)練了模型，模型效果還不錯。然后突然來了個新需求，將 n 上限增加到 2000 以內(nèi)，那么該如何處理呢？ ? 如果還是用 10 進(jìn)制表示的向量輸入到模型，那么此時的輸入就是一個四維向量了。然而，原本的模型是針對三維向量設(shè)計(jì)和訓(xùn)練的，所以新增一個維度后，模型就無法處理了。有一種方法是提前預(yù)留好足夠多的維度，訓(xùn)練階段設(shè)為 0，推理階段直接改為其他數(shù)字，這就是外推（Extrapolation）。 ▲ 圖4-4 直接外推 ? 然而，訓(xùn)練階段預(yù)留的維度一直是 0，如果推理階段改為其他數(shù)字，效果不見得會好，因?yàn)槟Ｐ蛯]被訓(xùn)練過的情況不一定具有適應(yīng)能力。也就是說，由于某些維度的訓(xùn)練數(shù)據(jù)不充分，所以直接進(jìn)行外推通常會導(dǎo)致模型的性能嚴(yán)重下降。 4.2.3 線性內(nèi)插 于是，有人想到了將外推改為內(nèi)插（Interpolation），簡單來說就是將 2000 以內(nèi)壓縮到 1000 以內(nèi)，比如通過除以 2,1749 就變成了 874.5，然后轉(zhuǎn)為三維向量 [8,7,4.5] 輸入到原來的模型中。從絕對數(shù)值來看，新的 [7,4,9] 實(shí)際上對應(yīng)的是1498，是原本對應(yīng)的 2 倍，映射方式不一致；從相對數(shù)值來看，原本相鄰數(shù)字的差距為 1，現(xiàn)在是 0.5，最后一個維度更加“擁擠”。 ? 所以，做了內(nèi)插修改后，通常都需要微調(diào)訓(xùn)練，以便模型重新適應(yīng)擁擠的映射關(guān)系。

▲ 位置線性內(nèi)插 ? 當(dāng)然，外推方案也可以微調(diào)，但是內(nèi)插方案微調(diào)所需要的步數(shù)要少得多，因?yàn)楹芏鄨鼍埃ū热缥恢镁幋a）下，相對大小（或許說序信息）更加重要，換句話說模型只需要知道 874.5 比 874 大就行了，不需要知道它實(shí)際代表什么多大的數(shù)字。而原本模型已經(jīng)學(xué)會了 875 比 874 大，加之模型本身有一定的泛化能力，所以再多學(xué)一個 874.5 比 874 大不會太難。 ? 不過，內(nèi)插方案也不盡完美，當(dāng)處理范圍進(jìn)一步增大時，相鄰差異則更小，并且這個相鄰差異變小集中在個位數(shù)，剩下的百位、十位，還是保留了相鄰差異為 1。換句話說，內(nèi)插方法使得不同維度的分布情況不一樣，每個維度變得不對等起來，模型進(jìn)一步學(xué)習(xí)難度也更大。 4.2.4 進(jìn)制轉(zhuǎn)換 有沒有不用新增維度，又能保持相鄰差距的方案呢？ ? 有，就是進(jìn)制轉(zhuǎn)換。三個數(shù)字的 10 進(jìn)制編碼可以表示 0～999，如果是 16 進(jìn)制呢？它最大可以表示 。所以，只需要轉(zhuǎn)到 16 進(jìn)制，如 1749 變?yōu)?[6,13,5]，那么三維向量就可以覆蓋目標(biāo)范圍，代價是每個維度的數(shù)字從 0～9 變?yōu)?0～15。

▲ 圖4-5 進(jìn)制轉(zhuǎn)換 ? ? 剛才說到，我們關(guān)心的場景主要利用序信息，原來訓(xùn)練好的模型已經(jīng)學(xué)會了 875 > 874，而在 16 進(jìn)制下同樣有 875 > 874，比較規(guī)則是一模一樣的（模型根本不知道你輸入的是多少進(jìn)制）。 ? 唯一擔(dān)心的是每個維度超過 9 之后（10～15）模型還能不能正常比較，但事實(shí)上一般模型也有一定的泛化能力，所以每個維度稍微往外推一些是沒問題的。所以，這個轉(zhuǎn)換進(jìn)制的思路，甚至可能不微調(diào)原來模型也有效！另外，為了進(jìn)一步縮窄外推范圍，我們還可以換用更小的 進(jìn)制而不是 16 進(jìn)制。 ? 接下來我們將會看到，這個進(jìn)制轉(zhuǎn)換的思想，實(shí)際上就對應(yīng)著前面的 NTK-aware scaled RoPE。 4.2.5 位置編碼 為了建立起它們的聯(lián)系，我們先要建立如下結(jié)果： ? ?

位置 n 的旋轉(zhuǎn)位置編碼（RoPE），本質(zhì)上就是數(shù)字 n 的 β 進(jìn)制編碼

看上去可能讓人意外，因?yàn)閮烧弑砻嫔襄娜徊煌?。但事?shí)上，兩者的運(yùn)算有著相同的關(guān)鍵性質(zhì)。為了理解這一點(diǎn)，我們首先回憶一個 10 進(jìn)制的數(shù)字 n，我們想要求它的 β 進(jìn)制表示的（從右往左數(shù)）第 m 位數(shù)字，方法是： 也就是先除以 次方，然后求模（余數(shù)）。然后再來回憶 RoPE，它的構(gòu)造基礎(chǔ)是 Sinusoidal 位置編碼，可以改寫為：

對比公式（16）和（17），兩者都有相同的 ，并且 mod，cos，sin 都是周期函數(shù)。所以，除掉取整函數(shù)這個無關(guān)緊要的差異外，RoPE/Sinusoidal 位置編碼類比為位置 n 的 進(jìn)制編碼。 ? 建立起這個聯(lián)系后，直接外推方案就是啥也不改，位置線性內(nèi)插就是將 n 換成 n/k，其中 k 是要擴(kuò)大的倍數(shù)，這就是 Meta 的論文所實(shí)驗(yàn)的 Positional Interpolation，里邊的實(shí)驗(yàn)結(jié)果也證明了外推比內(nèi)插確實(shí)需要更多的微調(diào)步數(shù)。 ? 至于進(jìn)制轉(zhuǎn)換，就是要擴(kuò)大 k 倍表示范圍，那么原本的 β 進(jìn)制至少要擴(kuò)大成 進(jìn)制（公式（17）雖然是 d 維向量，但 cos，sin 是成對出現(xiàn)的，所以相當(dāng)于 d/2 位 進(jìn)制表示，因此要開 d/2 次方而不是 d 次方），或者等價地原來的底數(shù) 10000 換成 10000k，這基本上就是 NTK-aware Scaled RoPE。 ? 跟前面討論的一樣，由于位置編碼更依賴于序信息，而進(jìn)制轉(zhuǎn)換基本不改變序的比較規(guī)則，所以 NTK-aware Scaled RoPE 在不微調(diào)的情況下，也能在更長 Context 上取得不錯的效果。 4.2.6 NTK-Aware Scaled RoPE和RoPE β進(jìn)制的關(guān)系 所以，這跟 NTK 有什么關(guān)系呢？NTK 全稱是 “Neural Tangent Kernel”，具體原理可以參考《從動力學(xué)角度看優(yōu)化算法：SGD ≈ SVM？》。 ? 要說上述結(jié)果跟 NTK 的關(guān)系，更多的是提出者的學(xué)術(shù)背景緣故，提出者對《Fourier Features Let Networks Learn High Frequency Functions in Low Dimensional Domains》等結(jié)果比較熟悉，里邊利用 NTK 相關(guān)結(jié)果證明了神經(jīng)網(wǎng)絡(luò)無法直接學(xué)習(xí)高頻信號，解決辦法是要將它轉(zhuǎn)化為 Fourier 特征——其形式就跟公式（17）的 Sinusoidal 位置編碼差不多。 ? 所以，提出者基于 NTK 相關(guān)結(jié)果的直覺，推導(dǎo)了 NTK-aware Scaled RoPE。假設(shè)要擴(kuò)大 k 倍范圍表示，根據(jù) NTK-Aware Scaled RoPE，高頻外推、低頻內(nèi)插。具體來說，公式（17）最低頻是 ，引入?yún)?shù) 變?yōu)?，讓他與內(nèi)插一致，即： 那么得到 。至于最高頻是 項(xiàng)，引入 變?yōu)?，由于 d 很大，，所以它還是接近于初始值 ，等價于外推。 ? 所以這樣的方案簡單巧妙地將外推和內(nèi)插結(jié)合了起來。另外，由于 d 比較大，因此 跟 差別不大，所以它跟前面基于進(jìn)制思想提出的解 是基本一致的。還有，從提出者這個思想來看，任意能實(shí)現(xiàn)“高頻外推、低頻內(nèi)插”的方案都是可以的，并非只有上述引入 的方案。 ? 如果從前面的進(jìn)制轉(zhuǎn)換的角度分析，直接外推會將外推壓力集中在“高位（m 較大）”上，而位置內(nèi)插則會將“低位（m 較?。钡谋硎咀兊酶映砻埽焕趨^(qū)分相對距離。而 NTK-aware Scaled RoPE 其實(shí)就是進(jìn)制轉(zhuǎn)換，它將外推壓力平攤到每一位上，并且保持相鄰間隔不變，這些特性對明顯更傾向于依賴相對位置的 LLM 來說是非常友好和關(guān)鍵的，所以它可以不微調(diào)也能實(shí)現(xiàn)一定的效果。 ? 從公式（17）可以看出，cos，sin 事實(shí)上是一個整體，所以它實(shí)際只有 d/2 位，也就是說它相當(dāng)于位置 n 的 d/2 位 進(jìn)制。如果我們要擴(kuò)展到 k 倍 Context，就需要將 進(jìn)制轉(zhuǎn)換為 進(jìn)制，那么 應(yīng)該滿足： 所以可以取 。 ? 于是新的 RoPE 變?yōu)椋? 這樣就從 進(jìn)制的思路解釋了 NTK-RoPE 的原理。 ? 下面我們看一下位置插值和 NTK-Aware Scaled RoPE 的實(shí)驗(yàn)效果：

▲ 圖4-6 不同插值方法的效果（這里的 scale 是指位置插值中擴(kuò)大的倍數(shù) k，alpha 是指 NTK 中的 lambda 參數(shù)或者是公式（15）中的 alpha 參數(shù)）

從圖中可以看出在 時，NTK 可以在比較小的 PPL 情況下，外推 8k 左右的長文本。 ? 再看一下蘇神的實(shí)驗(yàn)結(jié)論（表中的數(shù)據(jù)表示準(zhǔn)確率），當(dāng) k=8 時，結(jié)論如下：

上面的結(jié)論是沒有經(jīng)過長文本微調(diào)的結(jié)果，其中 Baseline 就是外推，PI（Positional Interpolation）就是 Baseline 基礎(chǔ)上改內(nèi)插，NTK-RoPE 就是 Baseline 基礎(chǔ)上改 NTK-aware Scaled RoPE。 ? 從表中我們得出以下結(jié)論： ?

1、直接外推的效果不大行

2、內(nèi)插如果不微調(diào)，效果也很差

3、NTK-RoPE 不微調(diào)就取得了不錯的外推結(jié)果 ? ? ?

總結(jié)

目前大模型處理長文本的能力成為研究的熱點(diǎn)，由于收集長文本的語料非常的困難，因此如何不用微調(diào)或者少量微調(diào)，就能外推 k 倍的長文本，成為大家的關(guān)注的焦點(diǎn)。 ? 本文詳細(xì)介紹了 Meta 的位置線性內(nèi)插和 NTK 兩種優(yōu)化外推的方法，結(jié)合蘇神對 RoPE 解釋為一種 進(jìn)制編碼，那么位置線性內(nèi)插和 NTK 都可以理解為對進(jìn)制編碼的不同擴(kuò)增方式。 ?

審核編輯：黃飛

?