v7.362.3747 安卓漢化版
v5.654 PC版
v6.755.4082.233880 安卓漢化版
v4.154.6584.152220 最新版
v7.838.655.647213 IOS版
v2.887 PC版
v9.3.3560.779367 安卓版
v2.909.7586 安卓版
v2.733 安卓版
v5.118.3493.783434 安卓版
v2.34.2445.261731 最新版
v8.726.7064 IOS版
v8.10.8283.655361 安卓漢化版
v6.257.686.107478 最新版
v9.118.8542.849825 PC版
v1.838.5689.542404 安卓最新版
v7.490.133.293804 IOS版
v3.829.5519 安卓版
v8.855.4003.392810 安卓版
v1.147.425.215653 安卓最新版
v9.296.6416 安卓版
v5.683.7217.230557 IOS版
v6.231.6855.464698 安卓漢化版
v9.234.8164.712813 安卓免費版
v2.8.6031.498174 最新版
v3.431.5334.6116 最新版
v5.219.980.359257 安卓免費版
v7.564.1996 安卓漢化版
v7.641 最新版
v5.696 安卓免費版
v5.207.4688 安卓最新版
v3.434 安卓免費版
v1.234.6018.859055 安卓最新版
v2.948.6981.470494 最新版
v7.787 IOS版
v2.321.9448.743834 PC版
v7.19.4844.651978 安卓最新版
v8.677 IOS版
v4.185.924.244961 安卓版
v6.966 PC版
v1.328.3668 安卓最新版
v8.372.1857.557158 最新版
v4.162.8158.912047 PC版
v1.67.463 PC版
v1.820 安卓漢化版
v1.885.4314 安卓漢化版
v5.70.5514 安卓版
v6.993.4824.92042 最新版
v3.640 安卓版
v5.563.8336.206912 IOS版
v4.135.9726 最新版
v1.108.1635.412642 安卓版
v1.650.1192.282619 安卓最新版
v5.30 IOS版
v1.875.1019.454441 安卓免費版
v7.354 最新版
v1.596.4908.241923 PC版
v9.859 最新版
v2.272.9076.901252 安卓最新版
v4.230.4622 IOS版
v8.578 最新版
v2.795.503.710120 安卓版
v7.617 IOS版
v1.811.463.525560 安卓版
v7.276 安卓免費版
v3.186.2832 安卓最新版
v3.808.7450.300584 安卓最新版
v3.813.8054.728303 PC版
v4.469 安卓免費版
v7.848.6196.746993 安卓版
v6.420.6904.272130 PC版
v3.237.7266.115193 PC版
v6.103.8417.985248 安卓最新版
v2.122 安卓版
v3.282.7111 IOS版
v6.180.6980.510350 安卓版
v3.710.3039.629506 安卓免費版
v5.748 安卓版
v6.324.1018.827617 IOS版
v2.568.747.854561 安卓免費版
xxxxx A片
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?榈囊旃梗币惨肓诵碌墓こ毯脱盗诽粽。
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目矶人醴乓蜃樱⒎⒚鞲髯榧挠杏醚奥视τ肫淇矶鹊牡故杀壤醴。
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
未满18 插 巨乳免得费
美女的隐私秘 视频网站免费下载
91在线在线
免费看黄网战
久久五月天激情网
欧美A∨中文字幕24在线
亚州色色
性爰视频网站
天天添天天摸
国产美女群p视频
欧美XXXX大学生运动抢劫
操人妻视频
免费 成人 深夜下载安装
人人操人人玩人人看
福瑞本子
欧美另类69XXXXXORG
wwwaaacomA片
欧美激情国产一级
申鹤のげんこつやまの腿法教学视频
美女裸体100%秘 无遮挡
无尽 得到 向上 讨厌
黑人大阴径操B视频
景元本子