Всесторонний обзор моделирования языка с длинным контекстом

A Comprehensive Survey on Long Context Language Modeling

March 20, 2025

Авторы: Jiaheng Liu, Dawei Zhu, Zhiqi Bai, Yancheng He, Huanxuan Liao, Haoran Que, Zekun Wang, Chenchen Zhang, Ge Zhang, Jiebin Zhang, Yuanxing Zhang, Zhuo Chen, Hangyu Guo, Shilong Li, Ziqiang Liu, Yong Shan, Yifan Song, Jiayi Tian, Wenhao Wu, Zhejian Zhou, Ruijie Zhu, Junlan Feng, Yang Gao, Shizhu He, Zhoujun Li, Tianyu Liu, Fanyu Meng, Wenbo Su, Yingshui Tan, Zili Wang, Jian Yang, Wei Ye, Bo Zheng, Wangchunshu Zhou, Wenhao Huang, Sujian Li, Zhaoxiang Zhang

cs.AI

Аннотация

Эффективная обработка длинных контекстов остается важной задачей в области обработки естественного языка. С увеличением количества длинных документов, диалогов и других текстовых данных становится необходимым разработка моделей языка с длинным контекстом (Long Context Language Models, LCLMs), способных эффективно и результативно обрабатывать и анализировать обширные входные данные. В данной статье представлен всесторонний обзор последних достижений в области моделирования длинного контекста для крупных языковых моделей. Наш обзор структурирован вокруг трех ключевых аспектов: как получить эффективные и производительные LCLMs, как эффективно обучать и развертывать LCLMs, а также как всесторонне оценивать и анализировать LCLMs. В рамках первого аспекта обсуждаются стратегии работы с данными, архитектурные решения и подходы к процессам, ориентированные на обработку длинного контекста. Для второго аспекта приводится детальный анализ инфраструктуры, необходимой для обучения и вывода LCLMs. В третьем аспекте представлены парадигмы оценки понимания длинного контекста и генерации длинных текстов, а также поведенческий анализ и интерпретируемость механизмов LCLMs. Помимо этих трех ключевых аспектов, мы подробно исследуем разнообразные сценарии применения, в которых уже используются существующие LCLMs, и намечаем перспективные направления для будущего развития. Этот обзор представляет собой актуальный анализ литературы по LCLMs, который, как мы надеемся, станет ценным ресурсом для исследователей и инженеров. Связанный репозиторий на GitHub, содержащий последние статьи и репозитории, доступен по адресу: https://github.com/LCLM-Horizon/A-Comprehensive-Survey-For-Long-Context-Language-Modeling{\color[RGB]{175,36,67}{LCLM-Horizon}}.

English

Efficient processing of long contexts has been a persistent pursuit in Natural Language Processing. With the growing number of long documents, dialogues, and other textual data, it is important to develop Long Context Language Models (LCLMs) that can process and analyze extensive inputs in an effective and efficient way. In this paper, we present a comprehensive survey on recent advances in long-context modeling for large language models. Our survey is structured around three key aspects: how to obtain effective and efficient LCLMs, how to train and deploy LCLMs efficiently, and how to evaluate and analyze LCLMs comprehensively. For the first aspect, we discuss data strategies, architectural designs, and workflow approaches oriented with long context processing. For the second aspect, we provide a detailed examination of the infrastructure required for LCLM training and inference. For the third aspect, we present evaluation paradigms for long-context comprehension and long-form generation, as well as behavioral analysis and mechanism interpretability of LCLMs. Beyond these three key aspects, we thoroughly explore the diverse application scenarios where existing LCLMs have been deployed and outline promising future development directions. This survey provides an up-to-date review of the literature on long-context LLMs, which we wish to serve as a valuable resource for both researchers and engineers. An associated GitHub repository collecting the latest papers and repos is available at: https://github.com/LCLM-Horizon/A-Comprehensive-Survey-For-Long-Context-Language-Modeling{\color[RGB]{175,36,67}{LCLM-Horizon}}.