高效拓展LLM高低文窗口 北大联结MSRA提出PoSE 用短输入模拟长样本

论文标题：PoSE: Efficient Context Window Extension of LLMs via Positional Skip-wise Training

论文链接：

代码链接：

一、钻研简介

大型言语模型（LLMs）通常有一个预约义的高低文窗口大小，这限度了它们在长输入的场景中的经常使用。为了使 LLMs 顺应更长的输入，通常须要用指标长度的样本对其启动微调（全长微调），由此造成训练老本十分低廉。

举例来说，在 Positional Interpolation[1]这份上班中，将 LLaMA 的高低文窗口从 2048 拓展到 8192 经常使用了 32 张 A100，关于更大的高低文窗口则经常使用了 128 张 A100。

为了将训练长度与指标长度解耦合，以成功高效的高低文窗口扩展，咱们提出了一种称为位置腾跃式训练（Positional Skip-wisE training, PoSE）的方法，在原始的高低文窗口中模拟更长的训练样本。

如下图所示，咱们将原始的高低文窗口分红几块，而后引入不同的 bias 项来调整每个块的位置编码。关于每一条训练样本，这些 bias 项和块的长度都会出现变动，因此经过少量的训练，模型能顺应指标长度内的一切位置。

试验结果标明，PoSE 有以下三方面的长处：

二、技术背景

旋转位置编码 RoPE：RoPE 是当下干流的位置编码模式，被 LLaMA、GPT-J 等大言语模型所驳回。给定一个 ，RoPE 经过如下模式编码位置消息：

其中 。此前的相对位置编码多是间接作用在输入向量 上，与之不同的是，RoPE 是在作用在每一层的 query 和 key 向量上。RoPE 可以看作是一种相对位置编码，给定位置

高低文窗口扩展：给定一个以 为原始高低文窗口长度的大言语模型，咱们的指标是其允许的高低文长度拓展到 个输入内能较好地坚持原有的性能。

位置插值（PI）：为了将 LLM 的高低文窗口从 ，一种间接的做法是经常使用

但是，通常标明[1] [2]， 这局部的位置在前向流传时会发生劫难性的离群值，从而造成训练不可到达预期的成果。这重要是由于模型在预训练时只见过

这些位置，不可很好的泛化到外推进来的这局部位置。

为了处置这个疑问，Position Interpolation[1]这份上班首先提出用“内插”替代“外推”，设定缩放因子 ，并将上述留意力公式修正为 （也就是将位置编码线性修正为

这种模式可以增加离群值的出现，将高低文窗口拓展到了 32k。在此基础上，NTK 提出经过修正 来启动位置插值，取得了更好的成果。YaRN 则依据不同的维度，对上述线性插值和 NTK 启动了整合。

三、方法形容

虽然上述 Linear / NTK / YaRN 等插值模式能必定水平上处置位置外推的疑问，他们依然须要用指标长度的训练样原本训练模型（即全长微调）。

随着指标长度的参与，平方级别的计算复杂度带来的开支照旧是难以接受的。因此，在插值技术的基础上，咱们提出调整原始的高低文窗口中的位置编码，来模拟更长的训练样本，从而成功高效的高低文扩展。

位置编码的调整重要有两个考量：

第一步：咱们将原高低文窗口 ，则这个块的位置编码如下：

第二步：咱们从团圆平均散布

为了防止块之间位置编码的重合，咱们施加了 这一限度。值得留意的是，关于每条数据，咱们会从新采样每个块的大小和腾跃偏置项。直观过去说，经过这种模式，咱们扩展了原高低文窗口能笼罩的相对位置范围，并且位置编码的不延续只出当初块之间，因此尽或许地坚持了预训练阶段的位置编码结构。

第三步：选定每个块内的内容。给定输入文本 ，咱们用相似的方法来抽取每个块内的填充的内容：

咱们也尝试了其它 ，此时块间的内容也是延续的；或如 ，此时调整后的位置编码恰恰对应训练数据在原始文本中的位置。试验结果标明，这几种赋值模式并没有显著的差异。

第四步：位置插值及超参初始化。咱们经常使用位置插值来使训练更稳固。

四、试验剖析

1. 试验设置

训练环节：咱们重要经常使用 LLaMA-7B 作为基模型，关于一切设定都只训练 1000 步，训练时长度为 2k，batch size 为 64。咱们经常使用 8 张 V100 启动训练，1 张 A100 启动推理。关于咱们的方法和各个 baseline，咱们都自动驳回线性插值来使训练更稳固。

2. 重要结果

言语模型：

咱们经常使用滑动窗口的模式来计算困惑度 PPL。在 GovReport 和 Proof-Pile 两个数据集上，PoSE 的性能和 Full-length 十分凑近，远超未做窗口扩展的版本（Original）和随机位置的版本（RandPos）。且随着窗口长度从 2k 参与到 32k，PPL 呈降低趋向，说明拓展后的模型能充沛应用更长的高低文消息。

明码检索：

在明码检索义务上，应用 PoSE 拓展到 16k 和 32k 的模型能区分在 16k 和 32k 的高低文内取得凑近 100% 的明码检索准确率，说明模型能关注到指标长度内的每个位置。

时空效率：

在时空效率方面，全长微调的训练时长和内存消耗随指标长度的参与而迅速增长，相比之下，PoSE 须要的训练期间和内存较为稳固。并且在每个期间步上，性能和全长微调都很凑近。

兼容性：

兼容性方面，PoSE 可以适配 LLaMA、LLaMA2、GPT-J、Baichuan2 等各种基于 RoPE 的基础模型，以及 Linear、NTK、YaRN 等各种插值战略，展现出较好的普适性。其中 NTK 在最后阶段会有一个 PPL 的突增，这重要是由于给定缩放因子，NTK 实践成功的缩放倍数会略小于[3]。YaRN 处置了这个毛病，取得了三者中最好的成果。

超长高低文拓展的后劲：

只经常使用 2k 的训练长度和 1000 步的训练步数，咱们尝试了将 LLaMA 模型拓展到 128k。试验标明，在经常使用 YaRN 的状况下，模型在 128k 的窗口下依然能坚持较低的 PPL。

原窗口内的言语才干：

最后，咱们剖析了经由 PoSE 训练事先的模型在原窗口内的言语才干。可以看出，和全长微调以及原始模型相比，PoSE 模型才干的损失十分庞大，这说明 PoSE 在拓展高低文窗口的同时较好地坚持了模型的基础才干。

五、总结与探讨

本文提出了一种位置腾跃式训练（PoSE）来高效的拓展大言语模型的高低文窗口。经过调整位置编码，PoSE 在原始的高低文窗口中模拟更长的训练样本，以到达解耦合训练长度和指标长度的目的。

试验结果标明 PoSE 在和全长微调坚持等同性能的状况下，大大增加了训练所需的时空开支，并体现出良好的普适性和超长高低文扩展的后劲。咱们置信 PoSE 将大大降低高低文窗口拓展的老本，使更多人可以介入到关系的钻研中来，从而推进长高低文建模畛域的极速开展。

PoSE 成功于 2023 年 9 月，咱们置信这种位置腾跃的思绪是 Long Context 的有效处置打算。结合近几个月来 Long Context 关系钻研的停顿，咱们以为 PoSE 或许有以下一些方面值得进一步探求：

原文链接：​ ​​ ​