RecurrentGemma: Überwindung von Transformatoren für effiziente Open Language Modelle

RecurrentGemma: Moving Past Transformers for Efficient Open Language Models

April 11, 2024

Autoren: Aleksandar Botev, Soham De, Samuel L Smith, Anushan Fernando, George-Cristian Muraru, Ruba Haroun, Leonard Berrada, Razvan Pascanu, Pier Giuseppe Sessa, Robert Dadashi, Léonard Hussenot, Johan Ferret, Sertan Girgin, Olivier Bachem, Alek Andreev, Kathleen Kenealy, Thomas Mesnard, Cassidy Hardin, Surya Bhupatiraju, Shreya Pathak, Laurent Sifre, Morgane Rivière, Mihir Sanjay Kale, Juliette Love, Pouya Tafti, Armand Joulin, Noah Fiedel, Evan Senter, Yutian Chen, Srivatsan Srinivasan, Guillaume Desjardins, David Budden, Arnaud Doucet, Sharad Vikram, Adam Paszke, Trevor Gale, Sebastian Borgeaud, Charlie Chen, Andy Brock, Antonia Paterson, Jenny Brennan, Meg Risdal, Raj Gundluru, Nesh Devanathan, Paul Mooney, Nilay Chauhan, Phil Culliton, Luiz GUStavo Martins, Elisa Bandy, David Huntsperger, Glenn Cameron, Arthur Zucker, Tris Warkentin, Ludovic Peran, Minh Giang, Zoubin Ghahramani, Clément Farabet, Koray Kavukcuoglu, Demis Hassabis, Raia Hadsell, Yee Whye Teh, Nando de Frietas

cs.AI

Zusammenfassung

Wir stellen RecurrentGemma vor, ein offenes Sprachmodell, das die neuartige Griffin-Architektur von Google verwendet. Griffin kombiniert lineare Rekurrenzen mit lokaler Aufmerksamkeit, um eine ausgezeichnete Leistung in der Sprachverarbeitung zu erzielen. Es hat einen festen Zustand, der den Speicherverbrauch reduziert und effiziente Inferenz auf langen Sequenzen ermöglicht. Wir stellen ein vorab trainiertes Modell mit 2 Milliarden nicht-einbettenden Parametern und eine anweisungsgesteuerte Variante bereit. Beide Modelle erreichen eine vergleichbare Leistung wie Gemma-2B, obwohl sie mit weniger Token trainiert wurden.

English

We introduce RecurrentGemma, an open language model which uses Google's novel Griffin architecture. Griffin combines linear recurrences with local attention to achieve excellent performance on language. It has a fixed-sized state, which reduces memory use and enables efficient inference on long sequences. We provide a pre-trained model with 2B non-embedding parameters, and an instruction tuned variant. Both models achieve comparable performance to Gemma-2B despite being trained on fewer tokens.