新智元報(bào)道

編輯：KingHZ

【新智元導(dǎo)讀】RNN太老，Transformer太慢？谷歌掀翻Transformer王座，用「注意力偏向+保留門」取代傳統(tǒng)遺忘機(jī)制，重新定義了AI架構(gòu)設(shè)計(jì)。全新模型Moneta、Yaad、Memora，在多個(gè)任務(wù)上全面超越Transformer。這一次，谷歌不是調(diào)參，而是換腦！

谷歌又有新的注意力了！

他們提出的新架構(gòu)參數(shù)減少40%，訓(xùn)練速度較RNN提升5-8倍，在某些任務(wù)上性能甚至Transformer好7.2%！

在大語言模型（LLMs）中，他們引入了新的注意力偏向策略，并重新構(gòu)想了「遺忘」這一過程，用「保留」來取而代之。

所謂的「注意力偏向」現(xiàn)象，是指人類天然傾向于優(yōu)先處理特定事件或刺激

受人類認(rèn)知中的「關(guān)聯(lián)記憶」（associative memory）與「注意力偏向」（attentional bias）概念啟發(fā)，谷歌的團(tuán)隊(duì)提出了統(tǒng)一視角：

Transformer與RNN，都可以被看作是優(yōu)化某種「內(nèi)在記憶目標(biāo)」（即注意力偏向），從而學(xué)習(xí)鍵值映射的關(guān)聯(lián)記憶系統(tǒng)。

他們發(fā)現(xiàn)：

1. 幾乎所有現(xiàn)代序列模型的底層學(xué)習(xí)過程，都可以歸結(jié)為關(guān)聯(lián)記憶機(jī)制；

2. 所謂的遺忘機(jī)制，本質(zhì)上是一種對(duì)注意力偏向的正則化操作；

3. 不同模型之間的差異，可以用「注意力偏向+保留機(jī)制」這一組合來解釋。

為此，他們把這一切都被整合進(jìn)了名為Miras的新框架中，提供四個(gè)關(guān)鍵設(shè)計(jì)維度，指導(dǎo)下一代序列模型的構(gòu)建。

1.記憶架構(gòu)— 如何構(gòu)建記憶，決定了模型的記憶能力，比如向量、矩陣、MLP等

2.注意力偏向— 模型如何集中注意力，負(fù)責(zé)建模潛在的映射模式

3.保留門控— 如何平衡學(xué)習(xí)新概念和保留已學(xué)概念

4.記憶學(xué)習(xí)算法— 模型如何訓(xùn)練，負(fù)責(zé)記憶管理，比如梯度下降、牛頓法等

圖1：Miras框架概述

這次他們，一口氣提出了三種新型序列模型，在某些任務(wù)上甚至超越了超越Transformer。

這三種新模型——Moneta、Yaad和Memora，超越了現(xiàn)有線性遞歸神經(jīng)網(wǎng)絡(luò)的能力，同時(shí)保持快速可并行訓(xùn)練的過程。

新模型各有所長(zhǎng)，在特定任務(wù)中表現(xiàn)卓越：

· Moneta：在語言建模任務(wù)中PPL指標(biāo)提升23%

· Yaad：常識(shí)推理準(zhǔn)確率達(dá)89.4%（超越Transformer7.2%）

· Memora：記憶密集型任務(wù)召回率提升至91.8%

在多個(gè)任務(wù)上，新模型提升明顯：

? 在PG19長(zhǎng)文本建模任務(wù)中，參數(shù)量減少40%情況下保持相當(dāng)性能

? 線性計(jì)算復(fù)雜度使訓(xùn)練速度較傳統(tǒng)RNN提升5-8倍

? 在CLUTRR關(guān)系推理基準(zhǔn)上創(chuàng)造92.3%的新SOTA紀(jì)錄

論文鏈接：https://arxiv.org/abs/2504.13173

模型沒有失憶，

但也有問題

研究者定義并形式化了注意力偏向的概念，作為序列模型的內(nèi)部記憶目標(biāo)，旨在學(xué)習(xí)輸入（即鍵和值）之間的潛在映射。

廣義上講，關(guān)聯(lián)記憶是將一組鍵K映射到一組值V的操作符（Operator）。

為了學(xué)習(xí)數(shù)據(jù)中的潛在映射模式，它需要一個(gè)目標(biāo)，該目標(biāo)針對(duì)某種類型的記憶并衡量學(xué)習(xí)到的映射質(zhì)量：

研究人員不再用「遺忘」（forget）這個(gè)詞，而是提出了「保留」（retention）的概念。

因此，「遺忘門」（forget gate）也就變成了「保留門」（retention gate）。

模型并不會(huì)真的清除過去的記憶——

它只是選擇對(duì)某些信息不那么「上心」而已。

此外，研究人員提供了一套全新的替代保留門控（忘記門）用于序列模型，帶來了新的洞察，幫助平衡學(xué)習(xí)新概念和保留先前學(xué)到的概念。

現(xiàn)有的深度學(xué)習(xí)架構(gòu)中的遺忘機(jī)制，可以重新解釋為一種針對(duì)注意力偏向的??正則化。

比如，softmax注意力是Miras的一個(gè)實(shí)例，利用Nadaraya-Watson估計(jì)器找到MSE損失的非參數(shù)解時(shí)，無需保留項(xiàng)。

論文鏈接：https://arxiv.org/abs/2407.04620

實(shí)際上，這次谷歌團(tuán)隊(duì)發(fā)現(xiàn)大多數(shù)現(xiàn)有模型（如Transformer、RetNet、Mamba等）都采用了類似的注意力偏向目標(biāo)，即嘗試最小化鍵值對(duì)之間的?? 范數(shù)（均方誤差）。

但它存在幾個(gè)問題：

• 對(duì)異常值敏感：極端或錯(cuò)誤輸入可能嚴(yán)重干擾記憶更新

• 不支持可調(diào)節(jié)的保留策略：不同任務(wù)/token 重要性不同，不能一視同仁

• 無法應(yīng)對(duì)復(fù)雜上下文需求：長(zhǎng)文檔、多語義層、跨段落推理等任務(wù)對(duì)注意力機(jī)制要求更高

表1：基于Miras框架視角的近期序列模型概覽

目標(biāo)函數(shù)：注意力偏向策略

基于關(guān)聯(lián)記憶概念的神經(jīng)架構(gòu)設(shè)計(jì)，被轉(zhuǎn)化為學(xué)習(xí)鍵值之間的基本映射，可以利用最小化目標(biāo)函數(shù)L來實(shí)現(xiàn):

為了求解上述優(yōu)化問題，最簡(jiǎn)單的方法就是利用梯度下降。

具體來說，給定一對(duì)新的鍵值對(duì)，可以通過以下方式更新記憶（一下叫做更新方程）：

這一公式可以被重新解釋為一種瞬時(shí)驚訝度度量，其中模型記憶那些違反目標(biāo)預(yù)期的token。

更新方程可以看作是在線梯度下降的一步，涉及損失函數(shù)序列的優(yōu)化：

眾所周知，在線梯度下降可以被視為跟蹤正則化領(lǐng)導(dǎo)者（Follow-The-Regularized-Leader, FTRL）算法的一個(gè)特例。

這其實(shí)對(duì)應(yīng)于某些特定選擇的損失函數(shù)。

具體來說，假設(shè)W? = 0，則更新方程中的更新規(guī)則等價(jià)于下列方程（以后稱為二次更新方程）：

以上方程使用了損失函數(shù)的線性近似和二次正則化。

然而，從原則上講，也可以使用其他損失函數(shù)的近似以及其他正則化函數(shù)。

更具體地說，可以將二次更新方程推廣到如下形式：

其中：

• 第一項(xiàng)是注意力偏向（Attentional Bias）的和；

• 最后一項(xiàng)是記憶穩(wěn)定性（Memory Stability）正則化項(xiàng)。

不同的損失函數(shù)和正則化項(xiàng)，對(duì)應(yīng)不同的算法。

在這種情況下，記憶的更新不僅依賴于當(dāng)前輸入數(shù)據(jù)的特征，還受到記憶結(jié)構(gòu)的影響，正則化項(xiàng)在其中起到了平衡學(xué)習(xí)和記憶穩(wěn)定性的作用。

Miras提出的三類新型注意力偏向策略。

??范數(shù)：記憶精度可調(diào)

如正文所述?2回歸損失通常是自然選擇，但其對(duì)數(shù)據(jù)噪聲較為敏感。

自然的擴(kuò)展是采用?范數(shù)目標(biāo)函數(shù)類。

具體而言，設(shè)M為記憶模塊，k為鍵集合，v為值集合，?注意力偏向定義為：

不同的范數(shù)對(duì)應(yīng)對(duì)噪聲的敏感度：

??更抗異常值，

??是常規(guī)選擇，

?∞ 聚焦于最大誤差。

Huber損失：「應(yīng)對(duì)異常」心理機(jī)制

Huber損失具備容錯(cuò)機(jī)制的記憶模塊。

盡管?2范數(shù)目標(biāo)是許多統(tǒng)計(jì)與機(jī)器學(xué)習(xí)任務(wù)的常見選擇，但其對(duì)異常值和極端樣本的敏感性眾所周知。

這種敏感性同樣存在于將?2損失用于注意力偏向的場(chǎng)景。

為解決該問題，并借鑒穩(wěn)健回歸的思路，研究者建議采用Huber損失類型作為注意力偏向，從而降低異常數(shù)據(jù)對(duì)記憶學(xué)習(xí)過程的負(fù)面影響。

Huber損失結(jié)合了??（正常情況下）和??（出現(xiàn)大誤差時(shí)），在面對(duì)異常值時(shí)也能保持學(xué)習(xí)的穩(wěn)定性。

魯棒優(yōu)化：考慮最壞情況

魯棒優(yōu)化（Robust Optimization）的核心思想：最小化最壞情況下的損失；在一個(gè)不確定性集合（uncertainty set）內(nèi)優(yōu)化性能。

• 不只是優(yōu)化當(dāng)前值，而是對(duì)可能擾動(dòng)做最壞情況準(zhǔn)備

• 提高模型應(yīng)對(duì)微小輸入變化的魯棒性，適用于噪聲或?qū)剐暂斎氕h(huán)境

類似「?jìng)浞萦洃洝共呗浴词宫F(xiàn)實(shí)偏離，也不崩盤。

魯棒優(yōu)化使模型在輸入有小幅變動(dòng)時(shí)也能保持穩(wěn)定。

正則化：保留門策略

在多數(shù)傳統(tǒng)模型中（如 LSTM、Mamba、Transformer），信息的遺忘或記憶更新是隱式的，模型只是不斷地「覆蓋」舊狀態(tài)。

但現(xiàn)實(shí)中，大家知道：

并不是所有信息都值得被長(zhǎng)期記住，有些應(yīng)該快速遺忘，有些則必須深深保留。

因此，Miras 框架提出了一個(gè)明確的設(shè)計(jì)目標(biāo)：

引入可控的、可設(shè)計(jì)的保留機(jī)制 Retention Gate，使模型顯式判斷是否保留舊記憶。

這就是Retention Gate的作用核心。

另一種解讀的方法是，將更新方程視為從最新的鍵值對(duì)（k?, v?）中學(xué)習(xí)（通過使用其梯度或驚訝度度量），同時(shí)保持接近先前狀態(tài)W???，以保留先前記憶的token。

這種形式可以推廣為：

其中，右側(cè)第一項(xiàng)是?(W; k_t, v_t)的近似，最小化它對(duì)應(yīng)于從新概念（k?, v?）中學(xué)習(xí)。

第二項(xiàng)則對(duì)W的變化進(jìn)行正則化，以使學(xué)習(xí)動(dòng)態(tài)穩(wěn)定，并保留先前學(xué)到的知識(shí)。

Retention函數(shù)可能包括局部和全局組件：

其中：

• 第一項(xiàng)是一種預(yù)度量，用于控制W_{t-1}的偏差，旨在保留先前學(xué)到的知識(shí)。

• 系數(shù)η?可以被視為一種元上下文學(xué)習(xí)率，其中較大的η?值意味著從新概念中學(xué)習(xí)更多，同時(shí)允許對(duì)先前學(xué)到的概念有更高的遺忘率。

• 第二項(xiàng)是全局保留，它控制與記憶大小相關(guān)的變化。

從目標(biāo)函數(shù)角度，保留門對(duì)應(yīng)正則項(xiàng)。

基于概率的機(jī)制：將記憶處理為概率分布（比如用KL散度）來保持其穩(wěn)定性。

彈性網(wǎng)（Elastic net）：結(jié)合了軟遺忘（??）和硬遺忘（??）的方法。

Lq穩(wěn)定性：可調(diào)節(jié)記憶對(duì)變化的抵抗程度。

Bregman散度：引入非線性、能感知數(shù)據(jù)結(jié)構(gòu)形狀的記憶更新方式。

三個(gè)新模型

研究人員利用 Miras 框架構(gòu)建了三個(gè)新模型：

? Moneta ——靈活且表達(dá)力強(qiáng)。它采用可定制的 ?p/?q范數(shù)來靈活控制記憶更新的精度。

? Yaad ——抗噪和抗極端值能力強(qiáng)。它使用Huber損失和自適應(yīng)更新機(jī)制來保持模型的穩(wěn)定性。

? Memora ——穩(wěn)定且規(guī)范的記憶控制。它通過KL散度和Softmax更新方法，確保記憶在合理范圍內(nèi)波動(dòng)。

在實(shí)驗(yàn)中，這些新模型在以下任務(wù)中表現(xiàn)優(yōu)于現(xiàn)有最強(qiáng)模型：語言理解、常識(shí)推理、發(fā)現(xiàn)罕見事實(shí)（像「大海撈針」那樣找出隱藏信息）、 在長(zhǎng)文本中保留細(xì)節(jié)信息。

實(shí)驗(yàn)表明，Miras中的不同設(shè)計(jì)選擇產(chǎn)生了具有不同優(yōu)勢(shì)的模型。

Moneta專注于記憶更新中的可定制精度，使用靈活的??/?q 范數(shù)。

Yaad使用Huber損失和自適應(yīng)更新來保持穩(wěn)定性。

Memora利用KL散度和Softmax更新來保持記憶的邊界。

實(shí)驗(yàn)結(jié)果

首先關(guān)注語言建模中的困惑度（perplexity）以及常識(shí)推理任務(wù)的表現(xiàn)。

研究者在表2中報(bào)告了Memora、Yaad、Moneta三個(gè)模型變體，以及一些基準(zhǔn)模型（參數(shù)量為340M、760M 和 1.3B）的結(jié)果。

表2：Miras各個(gè)變體與基準(zhǔn)模型在語言建模和常識(shí)推理任務(wù)中的表現(xiàn)。帶有*標(biāo)記的為混合模型，高亮的內(nèi)容是表現(xiàn)最好的純模型和混合模型

所有模型變體都優(yōu)于包括Transformer++、現(xiàn)代線性遞歸模型和混合方法在內(nèi)的全部基準(zhǔn)方法。

尤其是在與混合模型的比較中取得更好表現(xiàn)更為關(guān)鍵，因?yàn)樗心Ｐ妥凅w都是純遞歸結(jié)構(gòu)（完全不依賴注意力機(jī)制）。

在Miras的三個(gè)變體中，雖然Moneta的表現(xiàn)略遜于Memora和Yaad，但這三者的差距并不大，且具體哪個(gè)模型效果最好會(huì)因任務(wù)類型和模型大小而異。

擴(kuò)展模式分析（Scaling Pattern）

為了評(píng)估新模型的擴(kuò)展能力，并與基準(zhǔn)模型做對(duì)比，研究者繪制了模型在不同大小和上下文窗口下的性能變化圖。

上下文長(zhǎng)度

研究者將訓(xùn)練時(shí)使用的上下文長(zhǎng)度從2K擴(kuò)展到32K，分別在模型大小為340M和760M的兩個(gè)版本上進(jìn)行實(shí)驗(yàn)。結(jié)果如圖3中間和右側(cè)所示。

Miras的三個(gè)變體在上下文長(zhǎng)度增加時(shí)的擴(kuò)展能力均優(yōu)于當(dāng)前最先進(jìn)的基準(zhǔn)模型。

這種性能優(yōu)勢(shì)主要來自兩個(gè)方面：

(1) 更強(qiáng)表達(dá)能力的記憶結(jié)構(gòu)。與Mamba2和GSA這些使用向量或矩陣形式記憶的基準(zhǔn)模型不同，新模型變體使用了兩層的多層感知機(jī)（MLP），能更有效地學(xué)習(xí)長(zhǎng)序列信息；

(2) 保留門（retention gate）和注意力偏向的設(shè)計(jì)：新的模型突破了傳統(tǒng)做法，這有助于更高效地管理固定容量的記憶。

模型大小

研究者還在圖3左側(cè)展示了模型的計(jì)算量（FLOPs）與困惑度的關(guān)系。

在相同的 FLOPs（計(jì)算預(yù)算）下，三個(gè)模型變體的表現(xiàn)都超過了所有基準(zhǔn)模型。再次證明了強(qiáng)大的記憶機(jī)制設(shè)計(jì)對(duì)模型性能的重要性。

圖3：在C4數(shù)據(jù)集上擴(kuò)展模型規(guī)模和序列長(zhǎng)度時(shí)的表現(xiàn)趨勢(shì)。（左）隨著模型規(guī)模增加的表現(xiàn)；（中）在模型規(guī)模為340M時(shí)，序列長(zhǎng)度增加帶來的影響；（右）在模型規(guī)模為760M時(shí)，序列長(zhǎng)度增加帶來的影響

大海撈針任務(wù)（Needle In Haystack）

為了評(píng)估模型在處理長(zhǎng)文本時(shí)的有效上下文能力，研究者采用了「大海撈針」（Needle In Haystack）任務(wù)。

在「大海撈針」任務(wù)中，模型需要從一段很長(zhǎng)的干擾文本中找出一條特定的信息（即「針」）。

在RULER基準(zhǔn)中的S-NIAH（單一大海撈針）任務(wù)，在文本長(zhǎng)度分別為1K、2K、4K和8K的情境下對(duì)新模型和基準(zhǔn)模型進(jìn)行測(cè)試，結(jié)果見表3。

所有模型變體都以顯著優(yōu)勢(shì)超過了所有基準(zhǔn)模型。

值得注意的是，在處理合成噪聲數(shù)據(jù)（S-NIAH-PK）時(shí)，Moneta 的表現(xiàn)優(yōu)于其他模型。這一發(fā)現(xiàn)說明 -范數(shù)目標(biāo)函數(shù)和保留門機(jī)制在噪聲環(huán)境下更具魯棒性，能更好地保持模型性能。

表3：Moneta、Yaad、Memora以及基準(zhǔn)模型在RULER中的NIAH任務(wù)上的表現(xiàn)。最佳結(jié)果用高亮表示。

更多細(xì)節(jié)和理論推導(dǎo)，請(qǐng)參閱原文。

作者介紹

Peilin Zhong目前是谷歌紐約的算法與優(yōu)化團(tuán)隊(duì)的研究科學(xué)家。

他在哥倫比亞大學(xué)獲得了博士學(xué)位。

在此之前，他曾是清華大學(xué)跨學(xué)科信息科學(xué)研究院（姚班）的本科生。

他的研究興趣廣泛，主要集中在理論計(jì)算機(jī)科學(xué)領(lǐng)域，特別是算法的設(shè)計(jì)與分析。

具體包括并行算法和大規(guī)模并行算法、隱私算法、壓縮算法、流式算法、圖算法、機(jī)器學(xué)習(xí)、高維幾何、度量嵌入、數(shù)值線性代數(shù)、聚類以及與大規(guī)模數(shù)據(jù)計(jì)算相關(guān)的其他算法。

參考資料：

https://arxiv.org/abs/2504.13173

https://x.com/TheTuringPost/status/1914316647386714289