Не оставляйте контекст без внимания: эффективные трансформеры с бесконечным контекстом с бесконечным вниманием.

Leave No Context Behind: Efficient Infinite Context Transformers with Infini-attention

April 10, 2024

Авторы: Tsendsuren Munkhdalai, Manaal Faruqui, Siddharth Gopal

cs.AI

Аннотация

Данная работа представляет эффективный метод масштабирования моделей на основе трансформеров (LLM) для обработки входных данных бесконечной длины с ограниченным объемом памяти и вычислений. Ключевым компонентом в нашем предложенном подходе является новая техника внимания под названием Infini-attention. Infini-attention включает сжимающую память в обычный механизм внимания и включает как маскированное локальное внимание, так и механизмы долгосрочного линейного внимания в одном блоке трансформера. Мы демонстрируем эффективность нашего подхода на бенчмарках моделирования языка с длинным контекстом, задачах извлечения блока контекста длиной 1M символов и задачах суммирования книги длиной 500K символов с использованием моделей LLM объемом 1B и 8B. Наш подход вводит минимальные ограниченные параметры памяти и обеспечивает быструю потоковую инференцию для LLM.

English

This work introduces an efficient method to scale Transformer-based Large Language Models (LLMs) to infinitely long inputs with bounded memory and computation. A key component in our proposed approach is a new attention technique dubbed Infini-attention. The Infini-attention incorporates a compressive memory into the vanilla attention mechanism and builds in both masked local attention and long-term linear attention mechanisms in a single Transformer block. We demonstrate the effectiveness of our approach on long-context language modeling benchmarks, 1M sequence length passkey context block retrieval and 500K length book summarization tasks with 1B and 8B LLMs. Our approach introduces minimal bounded memory parameters and enables fast streaming inference for LLMs.