在大模型內(nèi)卷的同時，Transformer的地位也接連受到挑戰(zhàn)。

近日，RWKV發(fā)布了Eagle 7B模型，基于最新的RWKV-v5架構(gòu)。

Eagle 7B在多語言基準(zhǔn)測試中，擊敗了所有的同級別模型，在單獨(dú)的英語測試中，也和表現(xiàn)最好的模型基本打平。

同時，Eagle 7B用的是RNN架構(gòu)，相比于同尺寸的Transformer模型，推理成本降低了10-100倍以上，可以說是世界上最環(huán)保的7B模型。

由于RWKV-v5的論文可能要下個月才能發(fā)布，這里先奉上RWKV的論文，——也是第一個擴(kuò)展到數(shù)百億參數(shù)的非Transformer架構(gòu)。

圖片

論文地址：https://arxiv.org/pdf/2305.13048.pdf

這篇工作已被EMNLP 2023錄用，我們可以看到論文的作者來自不同國家的頂尖高校、研究機(jī)構(gòu)以及科技公司。

下面是Eagle 7B的官圖，表示這只老鷹正在飛躍變形金剛。

圖片

Eagle 7B

Eagle 7B使用來自100多種語言的，1.1T（萬億）個Token的訓(xùn)練數(shù)據(jù)，在下圖的多語言基準(zhǔn)測試中，Eagle 7B平均成績位列第一。

基準(zhǔn)測試包括xLAMBDA、xStoryCloze、xWinograd和xCopa，涵蓋了23種語言，以及各自語言的常識推理。

Eagle 7B拿到了其中三項(xiàng)的第一，盡管有一項(xiàng)沒打過Mistral-7B，屈居第二，但對手使用的訓(xùn)練數(shù)據(jù)要遠(yuǎn)高于Eagle。

圖片

下圖的英語測試包含了12個獨(dú)立的基準(zhǔn)、常識推理和世界知識。

在英語性能測試中，Eagle 7B的水平接近Falcon（1.5T）、LLaMA2（2T）、Mistral（>2T），與同樣使用了1T左右訓(xùn)練數(shù)據(jù)的MPT-7B不相上下。

圖片

并且，在兩種測試中，新的v5架構(gòu)相比于之前的v4，有了巨大的整體飛躍。

Eagle 7B目前由Linux基金會托管，以Apache 2.0許可證授權(quán)，可以不受限制地用于個人或商業(yè)用途。

多語言支持

前面說了，Eagle 7B的訓(xùn)練數(shù)據(jù)來自100多種語言，而上面采用的4項(xiàng)多語言基準(zhǔn)測試只包括了23種語言。

圖片

雖然取得了第一名的成績，但總的來說，Eagle 7B是吃虧的，畢竟，基準(zhǔn)測試無法直接評估模型在其他70多種語言中的性能。

額外的訓(xùn)練代價并不能幫助自己刷榜，如果集中在英語，可能會獲得比現(xiàn)在更好的成績。

——那么，RWKV為什么要這么做呢？官方對此表示：

Building inclusive AI for everyone in this world —— not just the English

在對于RWKV模型的眾多反饋中，最常見的是：

多語言方法損害了模型的英語評估分?jǐn)?shù)，并減緩了線性Transformer的發(fā)展；

讓多語言模型與純英語模型，比較多語言性能是不公平的

官方表示，「在大多數(shù)情況下，我們同意這些意見，」

「但我們沒有計劃改變這一點(diǎn)，因?yàn)槲覀冋跒槭澜鐦?gòu)建人工智能——這不僅僅是一個英語世界?！?/span>

圖片

2023年，世界上只有17%的人口會說英語（大約13億人），但是，通過支持世界上排名前25位的語言，模型可以覆蓋大約40億人，即世界人口總數(shù)的50%。

團(tuán)隊(duì)希望未來的人工智能可以為每個人都提供幫助，比如讓模型可以在低端硬件上以低廉的價格運(yùn)行，比如支持更多的語言。

團(tuán)隊(duì)將在之后逐漸擴(kuò)大多語言數(shù)據(jù)集，以支持更廣泛的語言，并慢慢將覆蓋范圍擴(kuò)大到世界上100%的地區(qū)，——確保沒有語言被遺漏。

數(shù)據(jù)集+可擴(kuò)展架構(gòu)

在模型的訓(xùn)練過程中，有一個值得注意的現(xiàn)象：

隨著訓(xùn)練數(shù)據(jù)規(guī)模不斷增加，模型的性能逐漸進(jìn)步，當(dāng)訓(xùn)練數(shù)據(jù)達(dá)到300B左右時，模型顯示出與pythia-6.9b 相似的性能，而后者的訓(xùn)練數(shù)據(jù)量為300B。

圖片

這個現(xiàn)象與之前在RWKV-v4架構(gòu)上進(jìn)行的一項(xiàng)實(shí)驗(yàn)相同，——也就是說，在訓(xùn)練數(shù)據(jù)規(guī)模相同的情況下，像RWKV這種線性Transformer的性能會和Transformer差不多。

那么我們不禁要問，如果確實(shí)如此，那么是不是相比于確切的架構(gòu)，數(shù)據(jù)反而對模型的性能提升更加重要？

圖片

我們知道，Transformer類的模型，計算和存儲代價是平方級別的，而在上圖中RWKV架構(gòu)的計算成本只是隨著Token數(shù)線性增長。

也許我們應(yīng)該尋求更高效、更可擴(kuò)展的架構(gòu)，以提高可訪問性，降低每個人的人工智能成本，并減少對環(huán)境的影響。

RWKV

RWKV架構(gòu)是一種具有GPT級別LLM性能的RNN，同時又可以像Transformer一樣并行化訓(xùn)練。

RWKV結(jié)合了RNN和Transformer的優(yōu)點(diǎn)——出色的性能、快速推理、快速訓(xùn)練、節(jié)省VRAM、「無限」的上下文長度和免費(fèi)的句子嵌入，RWKV并不使用注意力機(jī)制。

下圖展示了RWKV與Transformer派模型在計算成本上的對比：

圖片

為了解決Transformer的時間和空間復(fù)雜度問題，研究人員提出了多種架構(gòu)：

圖片

RWKV架構(gòu)由一系列堆疊的殘差塊組成，每個殘差塊由一個具有循環(huán)結(jié)構(gòu)的時間混合和一個通道混合子塊組成

下圖中左邊為RWKV塊元素，右邊為RWKV殘差塊，以及用于語言建模的最終頭部。

圖片

遞歸可以表述為當(dāng)前輸入和前一個時間步的輸入之間的線性插值（如下圖中的對角線所示），可以針對輸入嵌入的每個線性投影獨(dú)立調(diào)整。

這里還引入了一個單獨(dú)處理當(dāng)前Token的向量，以補(bǔ)償潛在的退化。

圖片

RWKV可以在我們所說的時間并行模式下有效地并行化（矩陣乘法）。

在循環(huán)網(wǎng)絡(luò)中，通常使用前一時刻的輸出作為當(dāng)前時刻的輸入。這在語言模型的自回歸解碼推理中尤為明顯，它要求在輸入下一步之前計算每個令牌，從而使RWKV能夠利用其類似RNN的結(jié)構(gòu)，稱為時間順序模式。

在這種情況下，RWKV可以方便地遞歸表述，以便在推理過程中進(jìn)行解碼，它利用了每個輸出令牌僅依賴于最新狀態(tài)的優(yōu)勢，狀態(tài)的大小是恒定的，而與序列長度無關(guān)。

然后充當(dāng)RNN解碼器，相對于序列長度產(chǎn)生恒定的速度和內(nèi)存占用，從而能夠更有效地處理較長的序列。

相比之下，自注意力的KV緩存相對于序列長度不斷增長，從而導(dǎo)致效率下降，并隨著序列的延長而增加內(nèi)存占用和時間。

參考資料：

https://blog.rwkv.com/p/eagle-7b-soaring-past-transformers