西风发自凹非寺量子位：自解码器长啥样？
西风 发自 凹非寺量子位 | 公众号
微软&清华最新研究，打破GPT系列开创的-Only架构——
提出-新型架构，名为YOCO（You Only Cache Once）。
YOCO仅缓存一次键值对，可大幅降低GPU内存需求，且保留全局注意力能力。
一张图来看YOCO和标准的比较。
在处理512K上下文长度时，标准内存使用是YOCO的6.4倍，预填充延迟是YOCO的30.3倍，而YOCO的吞吐量提升到标准的9.6倍。
去年一张“大语言模型进化树”动图在学术圈疯转，模型架构还只有三大类：-Only、-Only、-。
那么这个新出的-架构到底长啥样？
嗯，如网友所言，要读的论文又增加了。
话不多说，一起来看。
打破-Only
YOCO整体架构设计如下，分为自解码器（Self-）和交叉解码器（Cross-）两部分。
具体来说，YOCO由L个块堆叠而成，其中前L/2层是自解码器，其余模块是交叉解码器。
自解码器利用高效自注意力（ self-）机制来获取键值（KV）缓存：
接收输入序列的嵌入表示，并使用高效自注意力来生成中间向量表示；使用因果掩码（ ）保证解码的自回归特性；自解码器的输出用于生成全局KV缓存。
而交叉解码器使用交叉注意力（cross-）来重用自解码器生成的共享KV缓存：
在自解码器生成的KV缓存基础上进行堆叠，以获得最终的输出向量；同样使用因果掩码来维持自回归生成；允许交叉解码器层间高效地重用KV缓存，减少了对GPU内存的需求。
总的来说，自解码器和交叉解码器的模块设计与的解码器层类似，包含交错注意力和前馈网络子层。不过，研究人员还进行了预、和分组查询注意力等改进。
两部分之间的区别在于注意力模块。
自解码器使用高效自注意力，如滑动窗口注意力（- ）或门控保留（gated ）。
而交叉解码器使用标准的多头交叉注意力，Query向量通过注意力与自解码器产生的全局键值缓存相关联。
推理大幅度省 省 省
实验阶段，研究人员将YOCO模型与同体量的模型进行比较。
分析维度有四个：语言建模评估、与比较的可扩展性、长上下文评估、推理优势。
语言建模评估
研究人员训练了一个3B参数的YOCO语言模型，并根据训练token数量（1T和1.6T）进行评估。
在LM Eval 的多个下游任务上，YOCO与模型-3B-v2、-base-alpha-3B-v2、-3B-4E1T打得有来有回。
可扩展性对比
接着，研究人员在160M到13B参数规模范围内，分别训练了YOCO（门控保留和滑动窗口注意力版本）和语言模型。
对比了它们在验证集上的语言模型损失，YOCO的表现与基本持平：
结果证明YOCO在模型大小扩展方面具有很强的可扩展性。
长上下文评估
将3B的YOCO模型扩展到上下文为1M，在“大海捞针”等长序列的 任务上，YOCO-3B-1M的准确率接近100%。
在多针检索任务上，YOCO-3B-1M的性能优于一些超3B的模型：
此外，YOCO模型在长序列上的NLL随着上下文长度的增加而一致下降，表明YOCO能够有效地利用长距离依赖信息进行语言建模：
综上，可见YOCO在性能上完全不输，关键来看YOCO在推理效率上取得的显著提升。
推理优势
研究人员评估了YOCO在GPU内存占用、延迟、吞吐量和服务容量等方面的优势，评估上下文范围为32K至1M。
如下图所示，与相比，YOCO大幅度降低了GPU内存占用，且YOCO的内存消耗随上下文长度增加，增长幅度很小。
例如，在1M长度下，整体推理内存使用量仅为12.4GB，而传统的则占用了9.38倍的GPU内存。
下面展示了token的KV缓存对GPU内存的占用情况。
YOCO模型只缓存一层全局的键值对，因此与模型相比，它需要的内存约少了L（指模型的层数）倍。
例如，YOCO模型可以使用1GB的GPU内存来处理128K token。而具有GQA的 65B大小模型，仅能支持1.6K token。
也就是说，模型越大，YOCO可以节省更多。
在预填充阶段，模型并行编码输入token。对于512K和1M长度的输入，分别需要大约180秒和300秒。的计算复杂度为O(N^2)，处理长上下文需要大量的浮点运算操作。
相比之下，YOCO的预填充时间为O(N)，随序列长度线性增长。
YOCO将的512K上下文预填充时间从180秒减少到不到6秒。
预填充阶段可以在进入交叉解码器之前提前退出。因此，即使对于短上下文，预填充延迟的加速至少是两倍。例如，对于32K长度，YOCO比快2.87倍。
吞吐量表示模型每秒可以处理多少个token，涵盖了预填充和生成时间。如下图所示，与相比，YOCO在不同上下文长度下实现了更高的吞吐量。
以512K查询为例，的吞吐量为4.5 token/秒，而YOCO达到了43./秒，即实现了9.6倍的加速。
吞吐量提高的原因如前所述，YOCO减少了预填充所需的时间。其次，由于内存消耗减少，因此可以在推理时使用更大的批量大小，这也有助于提高吞吐量。
详细细节，感兴趣的家人们可以查看原论文。
论文链接：
