本文是LLM系列文章,针对《Training-Free Long-Context Scaling of Large Language Models》的翻译。
摘要
当输入token的数量超过其预训练长度时,大型语言模型处理和生成连贯文本的能力显著减弱。考虑到微调具有较长序列的大规模模型的昂贵开销,我们提出了双块注意力(DCA),它使LLAMA2 70B能够在没有持续训练的情况下支持超过10万个token的上下文窗口。通过将长序列的注意力计算分解为基于块的模块,DCA能够有效地捕获同一块内(块内)和不同块间(块间)的token的相对位置信息,并与Flash attention无缝集成。除了令人印象深刻的外推能力外,DCA在实际的长上下文任务中的性能与微调模型相当,甚至更好。与专有模型相比,我们的无训练70B模型的性能达到了gpt-3.5-16k的94%,这表明它是一个可行的开源替代方案。本工作中使用的所有代码和数据都发布在https://github.com/HKUNLP/ChunkLlama.