微软打破Decoder-Only架构!大幅降低GPU内存需求

  西风发自凹非寺

  量子位公众号 QbitAI

  微软&清华最新研究,打破 GPT 系列开创的 Decoder-Only 架构——

  提出 Decoder-Decoder 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 Transformer 的比较。

  在处理 512K 上下文长度时,标准 Transformer 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 Transformer 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:Decoder-Only、Encoder-Only、Encoder-Decoder。

  那么这个新出的 Decoder-Decoder 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 Decoder-Only

  YOCO 整体架构设计如下,分为自解码器(Self-Decoder)和交叉解码器(Cross-Decoder)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(efficient self-attention)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(causal masking)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-attention)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 Transformer 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 RMSNorm、SwiGLU 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(Sliding-Window Attention)或门控保留(gated retention)。

  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 Transformer 模型进行比较。

  分析维度有四个:语言建模评估、与 Transformer 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 Harness 的多个下游任务上,YOCO 与 Transformer 模型 OpenLLaMA-3B-v2、StableLM-base-alpha-3B-v2、StableLM-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 Transformer 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 Transformer 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 needle retrieval 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 Transformer 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 Transformer,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、prefilling 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 Transformer 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 Transformer 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 Transformer 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 Transformer 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,Transformer 分别需要大约 180 秒和 300 秒。Transformer 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 Transformer 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 Transformer 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 Transformer 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,Transformer 的吞吐量为 4.5 token/秒,而 YOCO 达到了 43.1token/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:https://arxiv.org/abs/2405.05254