v8.447.2841.271894 IOS版
v2.108 PC版
v4.17.7254.79539 PC版
v3.420 PC版
v2.468.4648.380422 安卓免費版
v5.548.9567 安卓漢化版
v2.995.9407 PC版
v9.179.50.340612 PC版
v5.986.1799.435803 最新版
v5.803 IOS版
v7.482.7952.288264 IOS版
v5.957.7941.788647 安卓版
v1.255.2102.735090 安卓漢化版
v6.663.6022.130788 安卓漢化版
v4.582.8374.212837 PC版
v6.721.6131.800896 IOS版
v9.357.7706.911245 PC版
v6.327.6279.236332 IOS版
v5.479.3368.508146 安卓免費版
v8.204.4934 PC版
v9.901.3075.191159 安卓版
v1.67.4575.130615 最新版
v8.801 安卓最新版
v2.50.8907 IOS版
v9.965 安卓免費版
v1.439.663.255622 安卓最新版
v6.39.4232.109467 安卓免費版
v1.775.6956 安卓最新版
v8.307 最新版
v7.866 PC版
v2.276.8201.293528 安卓漢化版
v9.353.7151.215700 最新版
v7.940.2318.79280 安卓版
v3.604 安卓最新版
v5.835.4590 IOS版
v4.439.5848.598558 安卓版
v7.891.4101 安卓免費版
v3.324.9437 安卓版
v2.35.602.900487 安卓免費版
v9.432.1105.370169 安卓版
v9.926.6158.510145 安卓免費版
v1.845.9355 安卓最新版
v3.263 PC版
v9.795.7580.899589 安卓漢化版
v5.605 安卓免費版
v7.169.5973 最新版
v7.221.9623.190348 安卓漢化版
v8.350.3683 安卓版
v6.829.1610.754089 安卓最新版
v5.165.7464.308317 最新版
v6.74.6696 最新版
v6.14 IOS版
v2.168.6127.512717 安卓最新版
v3.164 安卓漢化版
v8.360.9084 最新版
v3.611 PC版
v8.860 安卓最新版
v9.903.1958.494781 最新版
v7.642.9929.242420 IOS版
v9.956.4238.477554 安卓漢化版
v5.932.4408 IOS版
v9.895.8607.303467 安卓最新版
v3.447.504 最新版
v3.465.6119.325989 安卓免費版
v2.210.932.407252 安卓最新版
v2.994.4757.630919 安卓漢化版
v1.843.4333.493542 安卓漢化版
v7.116.8545.28806 IOS版
v8.916 安卓漢化版
v9.257.3281 IOS版
v5.16.9378.969394 IOS版
v2.521.8885.404375 IOS版
v3.12.4720.807936 安卓版
v3.524.9660.626068 IOS版
v9.206 安卓漢化版
v7.31 安卓漢化版
v8.220.7795.926212 安卓漢化版
v3.344.8001.249580 安卓漢化版
v3.680.436.864264 最新版
v8.468 IOS版
N号房下安装包最新版本2023年
henry 发自 凹非寺量子位 | 公众号 QbitAI
LLM的下一个推理单位,何须是Token?
刚刚,字节Seed团队宣布最新研究——
DLCM(Dynamic Large Concept Models)将大模子的推理单位从token(词) 动态且自顺应地推到了concept(看法)层级。
DLCM通过端到端地方法学习语义界线,动态地将Token序列支解成看法,在压缩后的看法空间中举行深度推理,并借助因果交织注重力将看法级推理效果重构为Token级展望
由此,古板LLM中基于匀称、冗余Token信息密度的盘算分派,被转化为面向看法的动态推理与自顺应算力分派。
在以推理为主的基准使命上,DLCM在将推理阶段FLOPs降低34%的同时,还将平均准确率提升了2.69%
这也意味着,大模子的推理效率并不必定依赖更麋集的Token级盘算,而可以通过更高层级的语义组织来获得。
接下来,我们详细来看。
分层的下一token展望框架
如上所说,DLCM的焦点在于学习动态的Token-看法映射,实现了盘算资源的自顺应分派。
之以是这样做主要有两方面缘故原由:
一方面,在自然语言中,信息的漫衍并不是匀称的,而是集中在集中在少数语义转换的节点上。
然而,在目今的LLM中,所有token被统一处置惩罚,信息密度不匀称的自然语言消耗了同样的盘算量,造成了大宗的冗余与模子容量的错配。
另一方面,此前基于潜在推理的框架,如大型看法模子(Large Concept Model, LCM)等,不但需要单独训练编码器息争码器,还依赖人为划分的牢靠的、句子级别的粒度,缺乏拓展性与自顺应性。
针对这些问题,DLCM通过一种分层的下一token展望框架,将盘算重心转移到压缩后的语义空间,实现了更高效的深度推理。
详细来说,这一框架包括四个阶段:
首先,在编码阶段,DLCM通过一个编码器,提取细粒度的Token级体现,捕获局部上下文信息,作为界线检测和最终Token级解码的基础。
接下来,在动态支解阶段,模子基于Token级体现,盘算相邻Token之间在潜在空间中的局部不相似性(使用余弦距离),当不相似度凌驾阈值时,模子判断为一个语义断点(看法界线)。
与牢靠句子长度差别,DLCM端到端地学习这些界线,实现内容自顺应的支解。
它将统一片断内(即统一看法内)的所有Token体现举行均值池化(Mean Pooling),然后投影到更高维度的看法维度上,最终形成一个长度大大压缩的看法序列 。
然后,在看法级推理阶段,模子将上面获得的看法序列在压缩空间中举行深度的、高容量的推理,获得经由深度推理和信息整合后的看法体现。
最后,在Token级解码阶段,DLCM使用经由推理的看法体现,重构并展望下一个token。
由此,DLCM通过以上四个办法,乐成地将盘算分派从低效的Token-Token交互,转移到高效的Token-看法-Token 交互,实现了盘算资源的自顺应、结构化使用。
要害手艺突破与优化
虽然DLCM架构在设计上实现了Token级和看法级?榈囊旃,但同时也引入了新的工程和训练挑战。
全局剖析器(Global Parser):内容自顺应压缩
DLCM 的焦点优势在于它能够凭证信息密度动态地划分看法。
例如,关于信息冗余度高的代码或简朴文本,可以激进地压缩;关于语义重大的转折点,则坚持较低压缩比。
为实现这一点,研究引入了全局剖析器(Global Parser)和辅助损失函数。
这个机制的要害在于:它不要求单个序列严酷遵照目的压缩比 ,而是在整个Batch层面约束平均界线天生率。
这使得DLCM在共享全局压缩比例目的的条件下,实现了随领域转变、随内容波动的自顺应分段,从而将盘算资源精准地分派到语义最要害的区域。
针对Flash Attention的效率优化
在解码阶段,Token需要通过因果交织注重力关注其所属的看法。
由于每个看法包括的Token数目是转变的,若是直接实现,会严重依赖效率低下的动态掩码和不规则的内存会见。
针对这一问题,研究引入看法复制(Concept Replication)战略。它将看法特征沿着序列维度复制扩展,使其长度与原始Token序列对齐。
由此,研究将重大的可变长交织注重力问题转换为长度对齐、局部恒定的注重力问题,并使其能够使用高度优化的Flash Attention Varlen内核,获得了1.26倍到1.73倍的显著加速。
异构架构的稳固训练
由于DLCM 的Token级组件和看法级主干网络的宽度纷歧致,通过上投影毗连,无法共享简单有用学习率。
为解决这一问题,研究接纳解耦的最大更新参数化,为Token?楹涂捶?榉峙闪俗粤Φ目矶人醴乓蜃,并发明各组件的有用学习率应与其宽度的倒数成比例缩放。
由此,研究乐成地稳固了这种不等宽架构的训练,并实现了零样本超参数迁徙,即小型署理模子上找到的最佳学习率可以直接用于训练更大的DLCM模子。
量化最优分派点
除上述优化外,研究还进一步基于scaling law探讨了token级处置惩罚与看法级推理之间的最优分派。
研究发明,在牢靠压缩比下,架构效率在中等看法主干占比处抵达峰值,而非随看法容量枯燥提升。
更主要的是,这一最优设置在规模增大时优势愈发明显:随着基线模子变大,在性能对齐的条件下,DLCM可实现越来越显著的FLOPs节约。
在实验阶段,研究接纳了与LLaMA论文中报告的相同的全局批次巨细、学习率和序列长度,让每个模子都在1T Token上举行训练。
其中,DLCM实现了43.92%的平均准确率,凌驾了基线模子41.23%的分数,提升了2.69%。
One more thing
这篇论文的一作来自英国曼彻斯特大学的在读博士生Qu Xingwei,师从Chenghua Lin教授。
他的研究偏向聚焦于大语言模子(LLMs),主要包括预训练、微调、专家混淆(Mixture of Experts)以及System-2大语言模子。
在教育配景方面,他本科结业于北京航空航天大学,导师为段海滨教授;硕士就读于获慕尼黑工业大学,导师为Daniel Cremers教授。
在读博前,他曾在字节跳动和小鹏汽车担当研究工程师。
[1]https://x.com/GeZhang86038849
[2]https://arxiv.org/abs/2512.24617
相关版本
多平台下载
审查所有0条谈论>网友谈论
小红书直接打开-
破外哭了真实真实真实
爱爱的视频网一区
欧美熟妇v
欧美精品三级一区二区
a级一级色网
fuckgay
久久免费看黄A级毛片男男
各种无码走光视频免费
漫画网站免费 韩漫
欧美性爱视频在线免费观看
亚洲一区二区三区www
操一操人人操
日韩视频中文
长日光阴视频
欧美一级/日逼