本文經AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯(lián)系出處。

微軟大模型新架構，正式向Transformer發(fā)起挑戰(zhàn)！

論文標題明晃晃地寫道：

Retentive Network（RetNet）：大模型領域Transformer的繼任者。

圖片

論文提出新的Retention機制來代替Attention。來自微軟亞研院和清華的研究人員，毫不諱言“野心”，大膽放話：

RetNet實現了良好的擴展結果、并行訓練、低成本部署和高效推理。

這些特性使這一基礎架構，成為大語言模型中Transformer的有力繼承者。

而實驗數據也顯示，在語言建模任務上：

• RetNet可以達到與Transformer相當的困惑度（perplexity）
• 推理速度達8.4倍
• 內存占用減少70%
• 具有良好的擴展性

并且當模型大小大于一定規(guī)模時，RetNet表現會優(yōu)于Transformer。

圖片

Transformer果真“后繼有?！绷?？具體詳情，一起來看。

解決“不可能三角”

Transformer在大語言模型中的重要性毋庸置疑。無論是OpenAI的GPT系列，還是谷歌的PaLM、Meta的LLaMA，都是基于Transformer打造。

但Transformer也并非完美無缺：其并行處理機制是以低效推理為代價的，每個步驟的復雜度為O(N)；Transformer是內存密集型模型，序列越長，占用的內存越多。

在此之前，大家也不是沒想過繼續(xù)改進Transformer。但主要的幾種研究方向都有些顧此失彼：

線性attention可以降低推理成本，但性能較差；

循環(huán)神經網絡則無法進行并行訓練。

也就是說，這些神經網絡架構面前擺著一個“不可能三角”，三個角代表的分別是：并行訓練、低成本推理和良好的擴展性能。

圖片

RetNet的研究人員想做的，就是化不可能為可能。

具體而言，RetNet在Transformer的基礎上，使用多尺度保持（retention）機制替代了標準的自注意力機制。

與標準自注意力機制相比，保持機制有幾大特點：

引入位置相關的指數衰減項取代softmax，簡化了計算，同時使前步的信息以衰減的形式保留下來。

引入復數空間表達位置信息，取代絕對或相對位置編碼，容易轉換為遞歸形式。

另外，保持機制使用多尺度的衰減率，增加了模型的表達能力，并利用GroupNorm的縮放不變性來提高retention層的數值精度。

圖片

△RetNet的雙重表示

每個RetNet塊包含兩個模塊：多尺度保持（MSR）模塊和前饋網絡（FFN）模塊。

保持機制支持以三種形式表示序列：

• 并行
• 遞歸
• 分塊遞歸，即并行表示和遞歸表示的混合形式，將輸入序列劃分為塊，在塊內按照并行表示進行計算，在塊間遵循遞歸表示。

其中，并行表示使RetNet可以像Transformer一樣高效地利用GPU進行并行訓練。

遞歸表示實現了O(1)的推理復雜度，降低了內存占用和延遲。

分塊遞歸則可以更高效地處理長序列。

這樣一來，RetNet就使得“不可能三角”成為可能。以下為RetNet與其他基礎架構的對比結果：

在語言建模任務上的實驗結果，進一步證明了RetNet的有效性。

結果顯示，RetNet可以達到與Transformer相似的困惑度（PPL，評價語言模型好壞的指標，越小越好）。

同時，在模型參數為70億、輸入序列長度為8k的情況下，RetNet的推理速度能達到Transformer的8.4倍，內存占用減少70%。

在訓練過程中，RetNet在內存節(jié)省和加速效果方面，也比標準Transformer+FlashAttention表現更好，分別達到25-50%和7倍。

值得一提的是，RetNet的推理成本與序列長度無關，推理延遲對批量大小不敏感，允許高吞吐量。

圖片

另外，當模型參數規(guī)模大于20億時，RetNet的表現會優(yōu)于Transformer。

研究團隊

RetNet的研究團隊，來自微軟亞研院和清華大學。

共同一作為孫宇濤和董力。

孫宇濤，清華大學計算機系本科，現在在微軟亞研院實習。

董力，微軟亞研院研究員。他也是此前引發(fā)大量關注的“能記住10億token的Transformer”的論文作者之一。

RetNet論文的通訊作者是韋福如。他是微軟亞洲研究院全球研究合伙人，10億token Transformer亦是來自他的研究團隊。

論文地址：https://arxiv.org/abs/2307.08621