AITOP

上下文检索

共 2 条相关 AI 资讯
8月24日
10:06
10:06官方账号arXiv cs.LG@Zeyun Zhong, Joya Chen, Manuel Martin, Frederik Diederichs, Juergen Gall, Juergen Beyerer
精选
测试时训练（TTT）通过推理过程中的连续权重更新实现长上下文处理，但现有方法难以平衡每token更新动态的表达性与分块近似硬件效率。我们提出E$^2$-TTT（表达性和高效TTT）以弥合这一差距。在标准分块近似梯度取自块起始权重的情况下，我们推导出封闭形式的态转换，精确地重现了每token递归的块末快速权重和动量状态。这使块级训练可以完全并行化，同时保留了先前块方法丢弃的更新规则的时间结构。通过从头训练高达1.3B参数的模型验证E$^2$-TTT。它在语言建模方面与先前TTT和混合注意力基线表现相当，但在上下文检索方面表现更优。其优势在长度外推方面最为明显：在标准的“针插麦堆”passkey测试中，它在8倍训练上下文长度下保留了超过90%的准确率。同时，E$^2$-TTT可以匹配高效分块方法的训练吞吐量，表明它有效地协调了表达性和效率。代码可在https://github.com/zeyun-zhong/E2-TTT获取。
论文测试时训练表达性效率
推荐理由：E$^2$-TTT模型在语言建模和上下文检索方面表现优异，且在长度外推方面具有明显优势，值得一看。
原文
5月26日
07:40