微软清华改进Transformer：用降噪耳机原理升级注意力技术

梦晨 发自 凹非寺

量子位 | 公众号 QbitAI

Transformer自问世后就大放异彩，但有个小毛病一直没解决：

总爱把注意力放在不相关的内容上，也就是信噪比低。

现在微软亚研院、清华团队出手，提出全新改进版Differential Transformer，专治这个老毛病，引起热议。

论文中介绍，整体思路类似差分放大电路或降噪耳机，用两个信号的差值来滤除共模噪声。

具体到在语言模型中，如果句子很长，只有少数token会真正影响当前token的含义。而注意力机制允许每两个词之间产生交互，其中就包含大量噪声了。

团队提出的方法是在注意力层中增加一个Softmax，然后两个Softmax做减法。

这一减，噪音信息就被大幅抵消，让注意力更集中在相关内容上。

语言建模任务上的一系列实验结果显示，仅需约65%的模型大小或训练tokens，DIFF Transformer就能达到与传统Transformer相当的性能。

新架构在长上下文建模、关键信息检索、减少幻觉、提高上下文学习能力以及减少激活异常值等各项指标中，普遍优于Transformer架构。

论文上传到arXiv平台后，有不少学者到弹幕版alphaXiv划线提问。一作Tianzhu Ye正绝赞在线答疑中。

与传统Tranformer相比，DIFF Transformer保持宏观架构不变，主要区别在于用差分注意力替换传统softmax注意力。

此外还采用了LLaMA系列中的一些改进，如pre-RMSNorm归一化和SwiGLU激活函数。

在差分注意力模块中，需要先给Q和K分成两个组，然后分别计算softmax。

第二组乘了一个标量λ，是可学习的参数，在同一层的注意力头之间共享。

λ的引入是为了在差分操作中平衡两组注意力的贡献，使得差分注意力机制能够更好地适应不同的任务需求和数据分布。

接下来是一系列实验结果。

在1T tokens上训练3B大小的DIFF Transformer，遵循 StableLM-3B-4E1T的配方，在各种下游任务中与以前训练良好的Transformer模型相比表现出优势。

只需约65%的模型参数或训练tokens来匹配Transformer的性能。

在额外1.5B tokens上训练3B大小的DIFF Transformer，扩展上下文长度至64k。

随着上下文长度增加，累计平均负对数似然（NLL）持续降低，并且比传统Transformer的NLL值更低。

表明DIFF Transformer可以有效利用不断增加的上下文。

也就是多个“针”的大海捞针试验，设置不同的上下文长度（4K和64K）来模拟不同复杂程度的信息检索场景。

在4K上下文长度下，随着插入 “针” 数量和查询数量的增加，DIFF Transformer的准确率保持稳定，而Transformer 的准确率显著下降。

在64K上下文长度下，DIFF Transformer在不同答案针深度（即关键信息在长上下文中的位置）和上下文长度下都能保持稳定性能，且在关键信息位于上下文前半部分时优势明显。

特别是当关键信息位于25%深度时，DIFF Transformer比Transformer的准确率提高了 76%。

分为两个角度来评估，分别是多样本分类和上下文学习的稳健性。

多样本分类任务，同样使用64K上下文长度的3B参数模型，DIFF Transformer的准确率始终高于Transformer，提升幅度从5.2%到21.6%不等

上下文学习稳健性采用排列顺序任务，DIFF Transformer的结果方差远小于传统Transformer。

主要关注输入中包含正确事实，但模型仍然无法产生准确输出的情况。

将模型输出与ground-truth一起发给GPT-4o，让GPT-4o来判断是否存在幻觉，此前试验表明GPT-4o与人类评判结果一致率较高，相对可靠。

在不同数据集上DIFF Transformer的准确率更高，幻觉更少。

Transformer中的激活异常值，导致模型在训练和推理过程中难以量化。

试验比较了注意力logits和隐藏状态两种激活类型下的最大激活值，DIFF Transformer都表现出更低的顶部激活值，即产生更少的激活异常值。

在对注意力logits进行量化实验时，DIFF Transformer在降低比特宽度量化时仍能保持较高性能，而Transformer在6-bi 量化时准确性显著下降。

4-bit的DIFF Transformer能达到与6-bit的Transformer相当的准确性，且比4-bit的Transformer准确率提高约 25%。

对于目前读者的疑问，作者已做出几点答复

问题1：Diff Transformer与每个注意力头温度可学习的方法有什么不同？与门控注意力对比如何？

作者回应在实验中，可学习温度效果不大。而本文方法是门控注意力的改进。

问题2：差分注意力是否意味着将标准注意力矩阵参数翻倍？

作者澄清，单个注意力头维度翻倍，但是注意力头数量减半，总体在参数和FLOPS上都是对齐的。

问题3：第二组Softmax乘可学习参数lambda的研究思路。

作者也做出详细回应。

DIFF Transformer在纯学术圈之外也引起非常多的讨论，有不少人困惑论文中将方法与降噪耳机的类比。

降噪耳机采集环境噪声并生成相反的信号，在这种情况下哪些信号属于噪声是已知的，但差分注意力中并不能事先确定哪些是噪声。

一种解释是，低注意力分数的噪声也有很低的梯度，因此模型其实已知哪些是噪声，只是单个Softmax无法输出0，所以噪声很难去除。

也有人提出，比起降噪耳机，其实专业音频中“平衡线”，或者USB、网卡等传输方式更适合一些。

使用两条信号线传输正负信号，接收器只对比他们之间的差异，由于在空间中离得很近，受到的干扰是相同的。

有用的正负信号相减会被放大，相同的噪声相减却被抵消，大大增强抗干扰能力。

总之，DIFF Transformer代码已开源在微软unilm项目下，其中还包含魔改版支持差分注意力的FlashAttention-2的代码。

感兴趣的可以试起来了。

论文：
https://arxiv.org/abs/2410.05258

代码：
https://aka.ms/Diff-Transformer

参考链接：
[1]https://news.ycombinator.com/item?id=41776324

— 完 —

量子位 QbitAI · 头条号

关注我们，第一时间获知前沿科技动态签约