Сигма: Дифференциальное масштабирование запроса, ключа и значения для эффективных языковых моделей

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

January 23, 2025

Авторы: 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

Аннотация

Мы представляем Sigma, эффективную большую языковую модель, специализированную для системной области, усиленную новой архитектурой, включающей в себя внимание DiffQKV, и предварительно обученную на наших тщательно собранных данных системной области. Внимание DiffQKV значительно повышает эффективность вывода Sigma путем оптимизации компонентов Запроса (Q), Ключа (K) и Значения (V) в механизме внимания дифференцированно, основываясь на их различном влиянии на показатели производительности и эффективности модели. В частности, мы (1) проводим обширные эксперименты, демонстрирующие различную чувствительность модели к сжатию компонентов K и V, что приводит к разработке дифференцированно сжатых KV, и (2) предлагаем дополненный Q для расширения размерности головы Q, что увеличивает емкость представления модели с минимальным влиянием на скорость вывода. Тщательные теоретические и эмпирические анализы показывают, что внимание DiffQKV значительно повышает эффективность, достигая улучшения скорости вывода до 33,36% по сравнению с традиционным групповым вниманием к запросу (GQA) в сценариях с длинным контекстом. Мы предварительно обучаем Sigma на 6T токенах из различных источников, включая 19,5 млрд данных системной области, которые мы тщательно собрали, и 1T токенов синтезированных и переписанных данных. В общих областях Sigma достигает сопоставимой производительности с другими современными моделями. В системной области мы представляем первый всеобъемлющий бенчмарк AIMicius, где Sigma демонстрирует выдающуюся производительность во всех задачах, значительно превосходя GPT-4 с абсолютным улучшением до 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%.