AIGC動(dòng)態(tài)歡迎閱讀

原標(biāo)題：小技巧大功效，「僅閱讀兩次提示」讓循環(huán)語(yǔ)言模型超越Transformer++
關(guān)鍵字：模型,上下文,研究者,解碼器,因果
文章來(lái)源：機(jī)器之心
內(nèi)容字?jǐn)?shù)：0字

內(nèi)容摘要：

機(jī)器之心報(bào)道
編輯：杜偉在當(dāng)前 AI 領(lǐng)域，大語(yǔ)言模型采用的主流架構(gòu)是 Transformer。不過(guò)，隨著 RWKV、Mamba 等架構(gòu)的陸續(xù)問(wèn)世，出現(xiàn)了一個(gè)很明顯的趨勢(shì)：在語(yǔ)言建模困惑度方面與 Transformer 較量的循環(huán)大語(yǔ)言模型正在快速進(jìn)入人們的視線。
令人興奮的是，這些架構(gòu)在推理期間使用了恒定量的內(nèi)存。不過(guò)，受制于有限的內(nèi)存，循環(huán)語(yǔ)言模型（LM）無(wú)法記憶并使用長(zhǎng)上下文中的所有信息，這導(dǎo)致了上下文學(xué)習(xí)（in-context learning，ICL）質(zhì)量的不佳。因此，獲得高效大語(yǔ)言模型的關(guān)鍵挑戰(zhàn)在于選擇存儲(chǔ)或者丟棄哪些信息。
在最近的論文《Just read twice: closing the recall gap for recurrent language models》中，來(lái)自斯坦福大學(xué)、布法羅大學(xué)的研究者通過(guò)簡(jiǎn)單觀察發(fā)現(xiàn)，數(shù)據(jù)在推理期間涌入循環(huán)語(yǔ)言模型的排序極大地影響了在有限內(nèi)存中預(yù)測(cè)存儲(chǔ)哪些信息的難度。
我們假設(shè)根據(jù)文檔 D（比如伽利略?伽利萊的詳細(xì)）來(lái)提問(wèn)：伽利略是什么時(shí)候搬到的佛羅倫薩？這時(shí)，如果提示遵循了 [Q, D] 的排序，則模型只需要記住文檔

原文鏈接：小技巧大功效，「僅閱讀兩次提示」讓循環(huán)語(yǔ)言模型超越Transformer++

聯(lián)系作者

文章來(lái)源：機(jī)器之心
作者微信：
作者簡(jiǎn)介：