AIGC動態歡迎閱讀

原標題：斯坦福提出大模型最強架構TTT，超越Transformers
關鍵字：梯度,模型,上下文,線性,文本
文章來源：夕小瑤科技說
內容字數：0字

內容摘要：

夕小瑤科技說 原創作者 | 謝年年在Transformer被提出以前，以LSTMs為代表的RNNs網絡結構由于計算簡單、擅長處理序列數據常被用作NLP領域的基礎架構。但受其結構限制，RNNs容易出現梯度消失和梯度問題，也無法像Transformer那樣進行縮放或有效地利用長上下文。而自注意力機制則擅長處理長文本，但它計算起來有些復雜，復雜度跟數據長度的平方成正比。
最近，來自Stanford的團隊設計了一種新的序列建模層——測試時訓練(Learn at Test Time)（TTT）層。這個層既保持了線性復雜度的好處，又讓隱藏狀態變得更加強大和靈活。TTT受自監督學習啟發，把隱藏狀態本身變成一個小型的機器學習模型，然后每次處理新數據時，都用自監督學習的方式來更新這個模型。這樣，隱藏狀態就能不斷學習和進步，就像我們人類在學習新知識一樣。
論文標題:Learning to (Learn at Test Time): RNNs with Expressive Hidden States
論文鏈接：https://arxiv.org/pdf/2407.04620
作者測試了從125M到1.

原文鏈接：斯坦福提出大模型最強架構TTT，超越Transformers

聯系作者

文章來源：夕小瑤科技說
作者微信：xixiaoyaoQAQ
作者簡介：專業、有趣、深度價值導向的科技媒體。聚集30萬AI工程師、研究員，覆蓋500多家海內外機構投資人，互聯網大廠中高管和AI公司創始人。一線作者來自清北、國內外頂級AI實驗室和大廠，兼備敏銳的行業嗅覺和洞察深度。商務合作：zym5189