快速全面了解大模型長文本能力

前言

如今的大模型被應(yīng)用在各個(gè)場景，其中有些場景則需要模型能夠支持處理較長文本的能力(比如8k甚至更長)，其中已經(jīng)有很多開源或者閉源模型具備該能力比如GPT4、Baichuan2-192K等等。

那關(guān)于LLM的長文本能力，目前業(yè)界通常都是怎么做的？有哪些技術(shù)點(diǎn)或者方向？今天我們就來總結(jié)一波，供大家快速全面了解。

當(dāng)然也有一些關(guān)于LLM長文本的綜述，感興趣的小伙伴可以看看，比如：

《Advancing Transformer Architecture in Long-Context Large Language Models: A Comprehensive Survey》：https://arxiv.org/pdf/2311.12351.pdf

今天我們會(huì)從如下幾個(gè)層面進(jìn)行介紹：：數(shù)據(jù)層面、模型層面、評(píng)估層面。每個(gè)層面挑幾個(gè)還不錯(cuò)的工作淺淺學(xué)一下業(yè)界都是怎么做的。

全文涉及較多工作，建議收藏，方便后續(xù)查詢細(xì)讀或者下載數(shù)據(jù)。

數(shù)據(jù)層面

LongAlpaca-12k

鏈接：https://huggingface.co/datasets/Yukang/LongAlpaca-12k

其是LongAlpaca-12k的一個(gè)工作，共收集了9k條長文本問答語料對(duì)，包含針對(duì)名著、論文、深度報(bào)道甚至財(cái)務(wù)報(bào)表的各類問答。

同時(shí)為了兼顧短文本能力，還從原有的Alpaca數(shù)據(jù)集中挑選了3k左右的短問答語料即最終構(gòu)建了12k。

LongQLoRA

鏈接：https://huggingface.co/datasets/YeungNLP/LongQLoRA-Dataset

其是LongQLoRA的一個(gè)工作，其開源了兩部分?jǐn)?shù)據(jù)一部分是54k的預(yù)訓(xùn)練數(shù)據(jù)，一部分是39k的sft數(shù)據(jù)。

Ziya-Reader

鏈接：https://arxiv.org/abs/2311.09198

本篇paper主要貢獻(xiàn)是如何構(gòu)建長文本問答訓(xùn)練數(shù)據(jù)，專注用于多文檔或單文檔問答，雖然訓(xùn)練數(shù)據(jù)沒有開源，但是做數(shù)據(jù)的方法我們可以學(xué)習(xí)一下

其主要借鑒cot的思路，在長文本問答領(lǐng)域也采用類cot，具體來說是：

（1）讓模型先對(duì)問題進(jìn)行復(fù)述，這使得模型在看了一段非常長的上下文信息后，也不會(huì)因?yàn)榫嚯x衰減的原因忘記原始的提問，因而在生成回復(fù)時(shí)，更加能夠關(guān)注到問題。

（2）讓模型預(yù)測正確上下文段落的索引下標(biāo)，通過這樣的方式可以讓模型更加關(guān)注正確的上下文段落。

（3）預(yù)測最終答案

可以看到(1)(2)就是作者采用的cot

除此之外之外，還構(gòu)建了一些負(fù)樣本，比如沒有正確上下文等等來增強(qiáng)模型的泛化性。

LongAlign

鏈接：https://huggingface.co/datasets/THUDM/LongAlign-10k

這篇工作主要聚焦做長文本的sft數(shù)據(jù)，具體來說作者從9個(gè)不同的來源收集長篇文章后使用Claude 2.1根據(jù)給定的長篇背景生成任務(wù)和答案。

模型層面

模型層面主要是探索外推性，即如何確保在模型推理階段可以支持遠(yuǎn)遠(yuǎn)超過預(yù)訓(xùn)練的長度，其中限制外推的根本原因有兩個(gè)即在inference階段面對(duì)更長文本的時(shí)候，會(huì)出現(xiàn)更長的新位置編碼（相比訓(xùn)練）以及歷史上下文kv緩存過大這兩個(gè)根本難題。

為此目前的探索主要發(fā)力解決這兩個(gè)難題：（1）設(shè)計(jì)位置編碼；（2）動(dòng)態(tài)設(shè)計(jì)局部注意力機(jī)制。下面我們逐個(gè)詳細(xì)看看～

（1）設(shè)計(jì)位置編碼

關(guān)于這部分推薦一篇博客：https://mp.weixin.qq.com/s/RtI95hu-ZLxGkdGuNIkERQ

大模型的位置編碼發(fā)展史： 絕對(duì)位置編碼 -> 相對(duì)位置編碼 -> 旋轉(zhuǎn)位置編碼。

其中絕對(duì)編碼的一個(gè)缺點(diǎn)是模型無法顯式的感知兩個(gè)token之間的相對(duì)位置，而后續(xù)的比如Sinusoidal相對(duì)位置編碼則通過正余弦函數(shù)實(shí)現(xiàn)了相對(duì)位置編碼，而旋轉(zhuǎn)位置編碼則實(shí)現(xiàn)了通過簡單的周期性旋轉(zhuǎn)將位置信息編入了進(jìn)去。

其中一個(gè)向量維度是d，越靠后的分組，它的旋轉(zhuǎn)速度越慢，正弦函數(shù)的周期越大、頻率越低。

所以我們簡單總結(jié)一下旋轉(zhuǎn)位置編碼直觀的性質(zhì)，他的核心是通過旋轉(zhuǎn)向量來將位置信息植入進(jìn)來（非常巧妙，不需要其他什么復(fù)雜的改變，只需要旋轉(zhuǎn)向量就可以），具體的旋轉(zhuǎn)過程是：假設(shè)當(dāng)前向量是d維，那么就分為d/2個(gè)組，每個(gè)組進(jìn)行各自的周期旋轉(zhuǎn)，越靠后的分組，它的旋轉(zhuǎn)速度越慢，正弦函數(shù)的周期越大、頻率越低。

轉(zhuǎn)化為數(shù)學(xué)一點(diǎn)為：向量q(維度為d)在位置m時(shí)， 它的第i組(總共d/2個(gè)組)分量的旋轉(zhuǎn)弧度為

當(dāng)訓(xùn)練長度為L時(shí)，模型訓(xùn)練的時(shí)候只見過即，當(dāng)推理長度大于L時(shí)，模型不能cover新的旋轉(zhuǎn)弧度也即無法插入新的位置信息了。

知道了卡點(diǎn)，下面我們來看幾個(gè)相關(guān)的改進(jìn)工作。

Position Interpolation

該方法為位置插值，思路也比較好的理解，既然超過L后的旋轉(zhuǎn)模型因?yàn)闆]有見過就不能理解，那么我們就不超過，但是位置m還想擴(kuò)大（比如一倍），那就可以通過縮小每個(gè)位置的旋轉(zhuǎn)弧度（讓向量旋轉(zhuǎn)得慢一些），每個(gè)位置的旋轉(zhuǎn)弧度變?yōu)樵瓉淼?，這樣的話長度就可以擴(kuò)大幾倍。具體的為：，這樣的話即保證了沒有超過訓(xùn)練的旋轉(zhuǎn)范圍，又插入更長或者更多的位置。

NTK-Aware Interpolation

該方法也是通過縮放，具體方法為如下：具體的是引入了一個(gè)縮放因子。

從數(shù)學(xué)角度看的話，Position Interpolation是將縮放因子放到了外面，而NTK是放到了里面（帶有指數(shù)）。從直觀的理論上看Position Interpolation方法是對(duì)向量的所有分組進(jìn)行同等力度地縮小，而NTK對(duì)于較前的分組（高頻分量）縮小幅度小，對(duì)于較后的分組（低頻分量）縮小幅度大。

這樣做的目的是靠前的分組，在訓(xùn)練中模型已經(jīng)見過很多完整的旋轉(zhuǎn)周期（因?yàn)樾D(zhuǎn)速度很快，這個(gè)性質(zhì)之前已經(jīng)介紹過了），位置信息得到了充分的訓(xùn)練，所以已經(jīng)具有較強(qiáng)的外推能力。而靠后的分組，由于旋轉(zhuǎn)的較慢，模型無法見到完整的旋轉(zhuǎn)周期，或者見到的旋轉(zhuǎn)周期很少，外推性能就很差，需要進(jìn)行位置插值。

NTK-by-parts Interpolation

這個(gè)方法就更直接了，直接一刀切，對(duì)于高頻分量就不縮小了（一點(diǎn)也不）即不進(jìn)行插值，因?yàn)橐呀?jīng)具備外推性，而對(duì)于低頻分量由于訓(xùn)練沒見過完整旋轉(zhuǎn)周期所以外推性差，那就進(jìn)行插值。相比于NTK-Aware Interpolation方法，這個(gè)方法更硬一些。

Dynamic NTK Interpolatio

NTK插值在超過訓(xùn)練長度L時(shí)表現(xiàn)還不錯(cuò)，但是在訓(xùn)練長度內(nèi)反而表現(xiàn)較差，為此本方法實(shí)現(xiàn)了動(dòng)態(tài)插值即當(dāng)inference的長度l在訓(xùn)練長度L內(nèi)就不進(jìn)行插值，超過訓(xùn)練長度L才進(jìn)行NTK-Aware Interpolation。

具體的縮小因子也是個(gè)動(dòng)態(tài)值為：，其中l(wèi)隨著不斷生成不斷累加，是個(gè)動(dòng)態(tài)值。

（2）動(dòng)態(tài)設(shè)計(jì)局部注意力機(jī)制

在生成每一個(gè)token的時(shí)候，其實(shí)核心都是在計(jì)算attention score，那么就需要查詢之前token的kv值，為了提高效率，一般來說會(huì)把歷史的kv值都緩沖起來，這樣后續(xù)就可以快速用了，但問題是當(dāng)隨著長度增加時(shí)，內(nèi)存必然OOM。

知道了卡點(diǎn)，下面我們來看幾個(gè)相關(guān)的改進(jìn)工作。

EFFICIENT STREAMING LANGUAGE MODELS WITH ATTENTION SINKS

論文鏈接：https://arxiv.org/pdf/2309.17453.pdf

(a) 就是常規(guī)inference，可以看到不論是復(fù)雜度還是效果性能隨著長度增加，都會(huì)變得嚴(yán)峻。

(b) 就是常說的滑動(dòng)窗口，核心方法就是每次只緩沖最近幾個(gè)token，這樣的話可以保證效率，但是當(dāng)文本變長后，性能會(huì)下降。

(c) 就是不緩沖，每次重新計(jì)算最近幾個(gè)token的，好處是保住了性能，但是效率也大大降低，因?yàn)槊看味家匦掠?jì)算

(d) 就是本文提出的方法，其通過觀察發(fā)現(xiàn)大量的注意力分?jǐn)?shù)被分配給初始token（即使這些token與語言建模任務(wù)沒有相關(guān)性），基于此作者沿用(b)的方法，只不過每次除了用緩沖的最近幾個(gè)token，額外再加上開頭的幾個(gè)token。

通過(d)方法最終實(shí)現(xiàn)了無限外推，該工作的代碼也已經(jīng)開源，star非常多，很受歡迎。

LONGLORA: EFFICIENT FINE-TUNING OF LONG- CONTEXT LARGE LANGUAGE MODELS

論文地址：https://browse.arxiv.org/pdf/2309.12307.pdf

本篇主要的貢獻(xiàn)在于開源了一個(gè)長文本訓(xùn)練數(shù)據(jù)（見上節(jié)）以及提出了一個(gè)shift short attention

可以看到就是先分組(各個(gè)組內(nèi)進(jìn)行self attention)，只不過由于各個(gè)組由于之間沒有交互信息，導(dǎo)致效果變成，于是作者也采用滑窗口機(jī)制來緩解一下，即使用半組長度來滑，本質(zhì)上就是滑動(dòng)窗口，只不過就是先分組再滑。

同時(shí)其支持lora訓(xùn)練，可快速訓(xùn)練適配部署自己的模型。

LONGQLORA: EFFICIENT AND EFFECTIVE METHOD TO EXTEND CONTEXT LENGTH OF LARGE LANGUAGE MODELS

論文地址：https://arxiv.org/pdf/2311.04879.pdf

其和上篇的LONGLORA大同小異，主要不同是替用qlora進(jìn)行訓(xùn)練，更節(jié)省資源，同時(shí)另外一個(gè)貢獻(xiàn)就是開源了一個(gè)長文本數(shù)據(jù)集(見上節(jié))

Soaring from 4K to 400K: Extending LLM’s Context with Activation Beacon

論文地址：https://arxiv.org/pdf/2401.03462v1.pdf

這篇論文的思路也很樸素：大的思路也是采用滑動(dòng)窗口，只不過在怎么動(dòng)態(tài)保存之前上下文的思路上采用的是壓縮思路，即前面信息既然太多，那就壓一壓。

具體的前面咱們介紹的EFFICIENT是通過每次滑的時(shí)候始終保留最前面幾個(gè)token，而本篇的思路就是把每個(gè)區(qū)間的信息（圖中藍(lán)色）壓縮成一個(gè)激活信標(biāo)（圖中綠色），而后面就用這些單個(gè)激活信標(biāo)來代表整個(gè)區(qū)間的信息。

那激活信標(biāo)怎么得到呢？作者也是采用了注意力機(jī)制，具體的探索了三種方法，一種是分段即每個(gè)信標(biāo)只用自己區(qū)間的信息（圖A），第二種是逐步分段即每個(gè)信標(biāo)可以關(guān)注比其前身多一個(gè)子區(qū)間(圖B)，第三種是完全覆蓋，其中所有信標(biāo)都可以關(guān)注整個(gè)上下文（圖C）。這三種方法的計(jì)算成本相同。最后作者發(fā)現(xiàn)第二種最好。

有了信標(biāo)后，便可以將信標(biāo)和來自普通信息一起使用滑動(dòng)窗口進(jìn)行流式處理即每個(gè)滑動(dòng)窗口由過去上下文區(qū)間的m個(gè)信標(biāo)和最新上下文區(qū)間的普通標(biāo)記組成。

評(píng)估層面

在迭代模型長文本能力的過程中，需要一個(gè)量化指標(biāo)來不斷指導(dǎo)，目前業(yè)界已經(jīng)有一些評(píng)估，一起來看看吧～

ZeroSCROLLS

論文鏈接：https://arxiv.org/pdf/2305.14196.pdf

其由十個(gè)自然語言任務(wù)構(gòu)成，包括摘要、問答、聚合任務(wù)(給50條評(píng)論，讓模型預(yù)測正面評(píng)論的百分比)等等

longeval

論文鏈接：https://lmsys.org/blog/2023-06-29-longchat/

該工作通過設(shè)計(jì)topic和lines長文本記憶能力來測試模型的長文本能力。

L-Eval

論文鏈接：https://arxiv.org/pdf/2307.11088.pdf?

該工作從公開數(shù)據(jù)集收集數(shù)據(jù)，然后手動(dòng)過濾和校正，重新標(biāo)注得到。

LongBench

論文鏈接：https://arxiv.org/abs/2308.14508

該工作也是設(shè)計(jì)了單文檔問答、多文檔問答、摘要任務(wù)、Few-shot任務(wù)、合成任務(wù)、代碼補(bǔ)全等等

LooGLE

論文鏈接：https://arxiv.org/pdf/2311.04939.pdf

該工作從科學(xué)論文、維基百科文章、電影和電視中收集樣本，然后也是設(shè)計(jì)摘要等任務(wù)。

FinLongEval

論文鏈接：https://github.com/valuesimplex/FinLongEval

主要聚焦金融領(lǐng)域的長文本評(píng)測

總結(jié)

可以看到，在助力LLM長文本能力的道路上目前有兩個(gè)大的方向在發(fā)力：

（1）從數(shù)據(jù)入手即構(gòu)建做高質(zhì)量長文本數(shù)據(jù)，這非常重要，因?yàn)橛辛藬?shù)據(jù)才能訓(xùn)練，其中長文本預(yù)訓(xùn)練數(shù)據(jù)相對(duì)來說比較好找，但是sft數(shù)據(jù)就比較難了，并不是說強(qiáng)行cat起來就是有效長文本，比如把多個(gè)單輪文本cat到8k，但是這是一個(gè)偽多輪，對(duì)模型學(xué)習(xí)全局信息幫助很??；關(guān)于怎么構(gòu)建高質(zhì)量的長文本數(shù)據(jù)尤其是中文領(lǐng)域的數(shù)據(jù)還需要更多的探索，可以借鑒長文本評(píng)測任務(wù)來汲取靈感進(jìn)行構(gòu)建訓(xùn)練數(shù)據(jù)。

（2）從模型層面入手進(jìn)行外推，目前一個(gè)是探索位置編碼，另外一個(gè)就是探索怎么緩解kv緩沖也即兩個(gè)核心問題：第一就是尋找或設(shè)計(jì)合適的位置編碼；第二是設(shè)計(jì)局部注意力機(jī)制。其中第一個(gè)大的方向都是縮放即通過縮放將旋轉(zhuǎn)范圍依然縮放到和訓(xùn)練一致但實(shí)現(xiàn)了插入了更多的或者更長的位置，第二個(gè)大的方向基本都是探索怎么把之前的信息進(jìn)行動(dòng)態(tài)壓縮，更進(jìn)一步這里的動(dòng)態(tài)其實(shí)就是滑動(dòng)，只不過在滑動(dòng)上進(jìn)行各種不同的邏輯。將兩個(gè)技術(shù)點(diǎn)（本來就是解決不同問題的）合理的結(jié)合也是很重要的。

總的來說，首先盡可能的收集準(zhǔn)備好高質(zhì)量的長文本訓(xùn)練數(shù)據(jù)，然后在當(dāng)前資源下訓(xùn)練到最大長度，最后在推理時(shí)可以借助各種外推手段進(jìn)行拓展。

審核編輯：黃飛

?