Arquitetura Decoder-Híbrido-Decoder para Raciocínio Eficiente com Geração Longa

Resumo

Avanços recentes em modelagem de linguagem têm demonstrado a eficácia dos Modelos de Espaço de Estados (SSMs) para a modelagem eficiente de sequências. Embora arquiteturas híbridas, como Samba e a arquitetura decodificador-decodificador, YOCO, tenham mostrado ganhos promissores de desempenho em relação aos Transformers, trabalhos anteriores não investigaram o potencial de eficiência do compartilhamento de representações entre camadas de SSM. Neste artigo, introduzimos a Unidade de Memória Controlada (GMU), um mecanismo simples, porém eficaz, para o compartilhamento eficiente de memória entre camadas. Aplicamos isso para criar o SambaY, uma arquitetura decodificador-híbrido-decodificador que incorpora GMUs no decodificador cruzado para compartilhar estados de leitura de memória de um auto-decodificador baseado em Samba. O SambaY melhora significativamente a eficiência de decodificação, preserva a complexidade de tempo linear de pré-preenchimento e aumenta o desempenho em contextos longos, tudo isso enquanto elimina a necessidade de codificação posicional explícita. Por meio de extensos experimentos de escalonamento, demonstramos que nosso modelo exibe uma perda irredutível significativamente menor em comparação com uma linha de base forte do YOCO, indicando uma escalabilidade de desempenho superior em regimes de computação em larga escala. Nosso maior modelo, aprimorado com Atenção Diferencial, Phi4-mini-Flash-Reasoning, alcança um desempenho significativamente melhor do que o Phi4-mini-Reasoning em tarefas de raciocínio, como Math500, AIME24/25 e GPQA Diamond, sem qualquer aprendizado por reforço, enquanto oferece até 10x maior taxa de decodificação em prompts de 2K de comprimento com geração de 32K de comprimento sob o framework de inferência vLLM. Disponibilizamos nossa base de código de treinamento em dados de código aberto em https://github.com/microsoft/ArchScale.

English

Recent advances in language modeling have demonstrated the effectiveness of State Space Models (SSMs) for efficient sequence modeling. While hybrid architectures such as Samba and the decoder-decoder architecture, YOCO, have shown promising performance gains over Transformers, prior works have not investigated the efficiency potential of representation sharing between SSM layers. In this paper, we introduce the Gated Memory Unit (GMU), a simple yet effective mechanism for efficient memory sharing across layers. We apply it to create SambaY, a decoder-hybrid-decoder architecture that incorporates GMUs in the cross-decoder to share memory readout states from a Samba-based self-decoder. SambaY significantly enhances decoding efficiency, preserves linear pre-filling time complexity, and boosts long-context performance, all while eliminating the need for explicit positional encoding. Through extensive scaling experiments, we demonstrate that our model exhibits a significantly lower irreducible loss compared to a strong YOCO baseline, indicating superior performance scalability under large-scale compute regimes. Our largest model enhanced with Differential Attention, Phi4-mini-Flash-Reasoning, achieves significantly better performance than Phi4-mini-Reasoning on reasoning tasks such as Math500, AIME24/25, and GPQA Diamond without any reinforcement learning, while delivering up to 10x higher decoding throughput on 2K-length prompts with 32K generation length under the vLLM inference framework. We release our training codebase on open-source data at https://github.com/microsoft/ArchScale.

Arquitetura Decoder-Híbrido-Decoder para Raciocínio Eficiente com Geração Longa

Decoder-Hybrid-Decoder Architecture for Efficient Reasoning with Long Generation

Resumo

Support