Sigma: Reescalado Diferencial de Consulta, Clave y Valor para Modelos de Lenguaje Eficientes

Sigma: Differential Rescaling of Query, Key and Value for Efficient Language Models

January 23, 2025

Autores: Zhenghao Lin, Zihao Tang, Xiao Liu, Yeyun Gong, Yi Cheng, Qi Chen, Hang Li, Ying Xin, Ziyue Yang, Kailai Yang, Yu Yan, Xiao Liang, Shuai Lu, Yiming Huang, Zheheng Luo, Lei Qu, Xuan Feng, Yaoxiang Wang, Yuqing Xia, Feiyang Chen, Yuting Jiang, Yasen Hu, Hao Ni, Binyang Li, Guoshuai Zhao, Jui-Hao Chiang, Zhongxin Guo, Chen Lin, Kun Kuang, Wenjie Li, Yelong Shen, Jian Jiao, Peng Cheng, Mao Yang

cs.AI

Resumen

Presentamos Sigma, un eficiente modelo de lenguaje grande especializado para el dominio del sistema, potenciado por una arquitectura novedosa que incluye atención DiffQKV, y pre-entrenado en nuestros meticulosamente recopilados datos del dominio del sistema. La atención DiffQKV mejora significativamente la eficiencia de inferencia de Sigma al optimizar los componentes de Consulta (Q), Clave (K) y Valor (V) en el mecanismo de atención de manera diferencial, basándose en sus diversos impactos en el rendimiento del modelo e indicadores de eficiencia. Específicamente, (1) realizamos experimentos exhaustivos que demuestran la sensibilidad variable del modelo a la compresión de los componentes K y V, lo que lleva al desarrollo de KV comprimidos de manera diferencial, y (2) proponemos Q aumentada para expandir la dimensión de la cabeza Q, lo que mejora la capacidad de representación del modelo con impactos mínimos en la velocidad de inferencia. Rigurosos análisis teóricos y empíricos revelan que la atención DiffQKV mejora significativamente la eficiencia, logrando hasta un 33.36% de mejora en la velocidad de inferencia sobre la atención de consulta agrupada convencional (GQA) en escenarios de contexto largo. Pre-entrenamos Sigma en 6T tokens de diversas fuentes, incluidos 19.5B datos del dominio del sistema que recopilamos cuidadosamente y 1T tokens de datos sintetizados y reescritos. En dominios generales, Sigma logra un rendimiento comparable a otros modelos de vanguardia. En el dominio del sistema, presentamos el primer benchmark integral AIMicius, donde Sigma muestra un rendimiento notable en todas las tareas, superando significativamente a GPT-4 con una mejora absoluta de hasta el 52.5%.

English

We introduce Sigma, an efficient large language model specialized for the system domain, empowered by a novel architecture including DiffQKV attention, and pre-trained on our meticulously collected system domain data. DiffQKV attention significantly enhances the inference efficiency of Sigma by optimizing the Query (Q), Key (K), and Value (V) components in the attention mechanism differentially, based on their varying impacts on the model performance and efficiency indicators. Specifically, we (1) conduct extensive experiments that demonstrate the model's varying sensitivity to the compression of K and V components, leading to the development of differentially compressed KV, and (2) propose augmented Q to expand the Q head dimension, which enhances the model's representation capacity with minimal impacts on the inference speed. Rigorous theoretical and empirical analyses reveal that DiffQKV attention significantly enhances efficiency, achieving up to a 33.36% improvement in inference speed over the conventional grouped-query attention (GQA) in long-context scenarios. We pre-train Sigma on 6T tokens from various sources, including 19.5B system domain data that we carefully collect and 1T tokens of synthesized and rewritten data. In general domains, Sigma achieves comparable performance to other state-of-arts models. In the system domain, we introduce the first comprehensive benchmark AIMicius, where Sigma demonstrates remarkable performance across all tasks, significantly outperforming GPT-4 with an absolute improvement up to 52.5%.