RWKV: Переосмысление RNN в эпоху Transformer

RWKV: Reinventing RNNs for the Transformer Era

May 22, 2023

Авторы: Bo Peng, Eric Alcaide, Quentin Anthony, Alon Albalak, Samuel Arcadinho, Huanqi Cao, Xin Cheng, Michael Chung, Matteo Grella, Kranthi Kiran GV, Xuzheng He, Haowen Hou, Przemyslaw Kazienko, Jan Kocon, Jiaming Kong, Bartlomiej Koptyra, Hayden Lau, Krishna Sri Ipsit Mantri, Ferdinand Mom, Atsushi Saito, Xiangru Tang, Bolun Wang, Johan S. Wind, Stansilaw Wozniak, Ruichong Zhang, Zhenyuan Zhang, Qihang Zhao, Peng Zhou, Jian Zhu, Rui-Jie Zhu

cs.AI

Аннотация

Трансформеры произвели революцию практически во всех задачах обработки естественного языка (NLP), но страдают от квадратичного роста сложности по памяти и вычислениям с увеличением длины последовательности. В то же время рекуррентные нейронные сети (RNN) демонстрируют линейный рост требований к памяти и вычислениям, но не могут достичь такой же производительности, как трансформеры, из-за ограничений в параллелизации и масштабируемости. Мы предлагаем новую архитектуру модели — Receptance Weighted Key Value (RWKV), которая сочетает эффективное параллелизуемое обучение трансформеров с эффективным выводом RNN. Наш подход использует механизм линейного внимания и позволяет формулировать модель как трансформер или RNN, что параллелизует вычисления во время обучения и сохраняет постоянную сложность по вычислениям и памяти во время вывода, что делает RWKV первой архитектурой, не относящейся к трансформерам, которая масштабируется до десятков миллиардов параметров. Наши эксперименты показывают, что RWKV работает на уровне с трансформерами аналогичного размера, что позволяет предположить, что будущие исследования смогут использовать эту архитектуру для создания более эффективных моделей. Эта работа представляет собой значительный шаг к устранению компромиссов между вычислительной эффективностью и производительностью моделей в задачах обработки последовательностей.

English

Transformers have revolutionized almost all natural language processing (NLP) tasks but suffer from memory and computational complexity that scales quadratically with sequence length. In contrast, recurrent neural networks (RNNs) exhibit linear scaling in memory and computational requirements but struggle to match the same performance as Transformers due to limitations in parallelization and scalability. We propose a novel model architecture, Receptance Weighted Key Value (RWKV), that combines the efficient parallelizable training of Transformers with the efficient inference of RNNs. Our approach leverages a linear attention mechanism and allows us to formulate the model as either a Transformer or an RNN, which parallelizes computations during training and maintains constant computational and memory complexity during inference, leading to the first non-transformer architecture to be scaled to tens of billions of parameters. Our experiments reveal that RWKV performs on par with similarly sized Transformers, suggesting that future work can leverage this architecture to create more efficient models. This work presents a significant step towards reconciling the trade-offs between computational efficiency and model performance in sequence processing tasks.