建筑网站设置工资单人换了怎么换建立一个网址需要多少钱

大模型架构

Encoder-Decoder

继承自传统的Transformer架构，包含一个编码器encoder，以及一个解码器decoder，这个在之前介绍过
其中，编码器采用的是双向注意力，即每一个元素的attention可以关注所有元素；而解码器采用的是单项注意力，即每一个元素只能关注之前元素以及自己，这一点通过对参数矩阵进行mask可以快速实现
代表模型：Transformer，flan-T5

Casual Decoder

目前的LLM大部分采用Decoder Only架构，而Decoder架构又可以分为Casual Decoder以及Prefix Decoder，两者的主要区别就在于前后文的注意力差别。
Casual Decoder ，也称为因果编码器，输入和输出均为单向注意力，即每个token只能看到并依赖其之前的token
适合文本续写、问答系统、创意写作等需要保持文本连贯性的任务
代表模型： GPT系列，LLamA

Prefix Decoder

Prefix Decoder，也称为前缀编码器，输入部分使用双向注意力，输出部分使用单向注意力。在生成新的输出时，会考虑到所有之前生成的输出。
适合机器翻译、文本摘要等需要同时理解全文上下文并生成相关文本的任务
代表模型： GLM，ChatGLM

可以通过下图对三种架构有一个直观了解

长上下文能力的实现

在实际应用中,大语言模型对于长文本数据的处理需求日益凸显,尤其在长 文档分析、多轮对话、故事创作等场景下，这些文本的长度往往大于训练时数据的最大长度$mxK$，事实上预训练时就使用超长文本也是不划算的，因为attention的平方复杂度，这会导致巨大开销。
而上下文长度超过训练时分布限制时，模型的位置编码往往无法得到充分训练，自然会导致处理能力下降。
因此，给定一个预训练后的大语言模型,如何有效拓展其上下文窗口以应对更长的文本数据？
目前的解决方法包括：扩展位置编码，调整上下文窗口

扩展位置编码

目前位置编码常用的是RoPE，也就是对参数矩阵施加旋转变换。过长的上下文长度，在RoPE中就反映为旋转角度的范围超过训练时的上限。所以一种措施就是对旋转角度加以限制
考虑RoPE中的旋转角度主要由token的位置索引$t$以及子空间序号$i$决定
$$f(t,i)=t\cdot {\theta }_i$$
现在将其扩展为
$$f(t,i)=g(t)h(i)$$
此时对角度的限制就有两个方向，限制$g(t)$或者$h(i)$。

位置索引修改

一个非常直接的思路就是让$g(t)$对$t$进行放缩，上限为$T_{max}^{\prime }$代表扩展后的上下文窗口长度即可。此时就有
$$g(t)=\frac{T_{max}}{T_{max}^{\prime }}t$$
通过线性变换对距离信息进行放缩，就实现了角度的限制。但是这种做法在处理较短的文本时,由于位置索引的缩放,可能会对模型的性 能产生一定的负面影响
另一种做法为了兼顾短文本的性能，对放缩区域进行限制：对模型中近距离敏感的位置索引进行保 留,同时截断或插值处理远距离的位置索引,确保其不超出预设的最大旋转角度。得到
$$g(t)=\{\begin{array}{cc}t& t\le w,\\ w& t>w(\text{ReRoPE})\\ w+\frac{(T_{max}-w)(t-w)}{T_{max}^{\prime }-w}& t>w(\text{LeakyReRoPE})\end{array}$$

基修改

与上述修改的思路类似，我们希望上下文窗口达到$T_{max}^{\prime }$的时候，旋转角度依然在训练时的上限内，即
$$f(T_{max}^{\prime },i)=T_{max}^{\prime }h(i)\le T_{max}{\theta }_i$$
注意到${\theta }_i=b^{-2(i-1)/H}(b=\text{1e4})$，一种做法就是对底数$b$进行缩小，从而缩小旋转的角度，得到
$$h(i)={\theta }_i=(\alpha \cdot b{)}^{-2(i-1)/H}$$
$\alpha$可以取$(\frac{T_{max}^{\prime }}{T_{max}}{)}^{H/(H-2)}$
还有一种做法是直接对$h(i)={\theta }_i$进行截断，类似上文中$g(t)$的操作 link

调整上下文窗口

上述方法是对位置编码进行修改，使得旋转角度能够落在训练时上限内。另一种方法是采用受限的注意力机制来调整原始的上下文窗口,从而实现对更长文本的有效建模。方法包括并行上下文窗口，$\Lambda$形上下文窗口，词元选择