Авторы:  (1) Бен Ативараткун, AWS AI Labs;  (2) Суджан Кумар Гонугондла, AWS AI Labs;  (3) Санджай Кришна Гауда, AWS AI Labs;  (4) Хайфэн Цянь, AWS AI Labs;  (5) Санджай Кришна Гауда, AWS AI Labs;  (6) Ханьтянь Дин, AWS AI Labs;  (7) Цин Сан, AWS AI Labs;  (8) Цзюнь Ван, AWS AI Labs;  (9) Цзячэн Го, AWS AI Labs;  (10 Лянфу Чен, AWS AI Labs;  (11) Парминдер Бхатия, GE HealthCare (работа, выполненная в AWS);  (12) Рамеш Наллапати, Amazon AGI (работа выполнена в AWS);  (13) Судипта Сенгупта, AWS AI Labs;  (14) Бин Сян, Goldman Sachs (работа выполнена в AWS).  Таблица ссылок   Аннотация и 1 Введение   2. Сопутствующая работа   3. Предыстория   3.1. Нотация и 3.2. Вывод языковой модели   3.3. Многозапросный, многоголовый и обобщенное многозапросное внимание   4. Контекстно-зависимое раздвоенное внимание и 4.1. Мотивация   4.2 Формулировка и 4.3 Сложность ввода-вывода памяти   5. Эксперименты   5.1 Сравнение возможностей Multi-Head, Multi-Query и Multi-Group Attention   5.2 Задержки моделей эквивалентных возможностей   5.3.Приложения   6. Заключение и ссылки   А. Часто задаваемые вопросы   Б. Сопутствующая работа   C. Установка   D. Многогрупповое внимание Семья   E. Контекстно-зависимое раздвоенное внимание   F. Приложения: Дополнительные результаты   G. Совместимость с методами спекулятивного декодирования и быстрого декодирования  Абстрактный  В нашем исследовании мы представляем   , метод, разработанный для вывода языковой модели в контекстах выборки пакетов с одним контекстом. Этот подход направлен на снижение избыточных затрат памяти на ввод-вывод, существенного фактора задержки для больших размеров пакетов и большой длины контекста. Раздвоенное внимание достигает этого путем разделения механизма внимания во время инкрементального декодирования на две отдельные операции GEMM, фокусируясь на кэше KV от предварительного заполнения и процессе декодирования. Этот метод обеспечивает точные вычисления и поддерживает обычную вычислительную нагрузку (FLOPs) стандартных механизмов внимания, но с уменьшенным вводом-выводом памяти. Раздвоенное внимание также совместимо с механизмом внимания с несколькими запросами, известным за уменьшенное ввод-вывод памяти для кэша KV, что дополнительно обеспечивает более высокий размер пакета и длину контекста. Полученная эффективность приводит к снижению задержки, что улучшает пригодность для приложений реального времени, например, позволяя генерировать ответы с массовым параллелизмом без существенного увеличения задержки, повышая производительность при интеграции с методами постобработки, такими как повторное ранжирование. раздвоенное внимание  1. Введение  Появление больших языковых моделей (LLM) открыло новую эру машинного обучения, демонстрируя замечательную производительность при решении широкого спектра задач (Brown et al., 2020; OpenAI, 2023; Chowdhery et al., 2022; Touvron et al., 2023; Chen et al., 2021; Hoffmann et al., 2022; Li et al., 2022; Microsoft; Amazon, 2022; Nijkamp et al., 2023). Несмотря на их впечатляющие возможности, развертывание этих крупномасштабных моделей в практических приложениях создает значительные проблемы, особенно с точки зрения задержки вывода и эффективности. Улучшение этих аспектов имеет решающее значение, поскольку они напрямую влияют на вычислительные ресурсы, необходимые для генерации прогнозов, и обеспечивают практическую реализацию этих передовых моделей в различных отраслях.  Особенно требовательным сценарием вывода является выборка пакета с одним контекстом, где целью является генерация нескольких завершений из одного контекста. Эта задача обычно встречается в многочисленных приложениях, таких как инструменты IDE для редактирования кода, которые предоставляют несколько рекомендаций, или в случаях, когда для оптимальной производительности требуется ранжирование среди многих поколений (с помощью метрик ранжирования, таких как средняя логарифмическая вероятность, голосование большинства и т. д.). Инкрементальное декодирование такого сценария выборки требует интенсивного ввода-вывода памяти, что становится узким местом задержки для больших партий и длин контекста.  В этом исследовании мы изучаем две совместимые стратегии решения проблем ввода-вывода памяти в выводах преобразователей: (1) исследование многозапросности и ее компромиссов и (2) новый метод, называемый контекстно-зависимым раздвоенным вниманием.  Наше исследование начинается с анализа обобщенного внимания с несколькими запросами (Ainslie et al., 2023), которое включает в себя многозапрос (Shazeer, 2019), а также установленный механизм внимания с несколькими головами (Vaswani et al., 2017) для компромисса производительности и задержки. Наши результаты показывают плавное масштабирование производительности с увеличением размера модели для фиксированного значения числа групп g для обобщенного многозапроса[1]. Уменьшение g приводит к смещению вверх кривых масштабирования потерь при проверке в зависимости от размера модели. Последовательная связь между сжатием кэша, размером модели и потерями при проверке позволяет нам находить компромисс между эффективностью вывода и размером модели, т. е. позволяет нам выбирать более высокое сжатие для случаев использования, требующих высокой эффективности, при этом по-прежнему соответствуя производительности внимания с несколькими головами за счет компенсации большим размером модели.  Во-вторых, мы вводим контекстно-зависимое раздвоенное внимание, метод, который раздваивает любое внимание в обобщенном семействе многозапросов на контекстные и декодирующие компоненты во время инкрементального декодирования. Такое раздвоение включает в себя то же количество FLOP и дает идентичные результаты по сравнению с исходным вниманием, но может значительно снизить стоимость ввода-вывода памяти и, следовательно, задержку в сценариях с высокой длиной пакета и контекста. Этот подход позволяет генерировать несколько завершений в реальном времени без дополнительных затрат на задержку или позволяет использовать гораздо большие размеры пакетов, что приводит к улучшению производительности ранжирования. Например, для многоголовой модели CodeGen 16B (Nijkamp et al., 2022) с длиной контекста 2k мы можем увеличить размер пакета до 128 с раздвоенным вниманием по сравнению с размером пакета всего в 5 без него, в результате чего pass@k (Chen et al., 2021) увеличивается с 59,0% до 84,6%, а pass@top3 через среднее log-p увеличивается с 55,2% до 58,1%.  Данная статья   по лицензии CC BY 4.0 DEED. доступна на arxiv  [1] Более низкие значения групп внимания g приводят к более высокому сжатию тензоров ключ-значение, как в случае с несколькими запросами, где g = 1, следовательно, повышая эффективность вывода и задержку из-за уменьшенного кэша KV по сравнению со случаем с несколькими заголовками, где g = h, количество заголовков внимания запроса.

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

Read My Stories

Batching converges tasks in a single go, maximizing productivity and minimizing overhead.

batching's blog

Этот звук создан на языке оригинала истории!

Как ускорить модели искусственного интеллекта, не перегружая память

About Author

КОММЕНТАРИИ

БИРКИ

ЭТА СТАТЬЯ БЫЛА ПРЕДСТАВЛЕНА В

Related Stories

Как улучшить ваш рабочий процесс в 10 раз: 17 основных приложений

От форумов до лент новостей: как алгоритмы социальных сетей формируют цифровое взаимодействие

Раскрытие силы ИИ. Систематический обзор передовых методов: Краткое содержание и введение

Рост криптовалют: создание эффективных образов пользователей

Как улучшить ваш рабочий процесс в 10 раз: 17 основных приложений

От форумов до лент новостей: как алгоритмы социальных сетей формируют цифровое взаимодействие

Раскрытие силы ИИ. Систематический обзор передовых методов: Краткое содержание и введение

Рост криптовалют: создание эффективных образов пользователей

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps