1、模型结构

1.1、输入长度（Context Window）

(资料图片)

Context Window 延长拓展大模型的能力圈。5 月 11 日，Anthropic 宣布将 Claude AI 的输入长度（Context Window）从 9K 扩展至 100K tokens1，对应约 75000 个英文单词。根据《How many words do we read per minute? A review and meta-analysis of reading rate》，人类阅读 100K tokens 的文本内容大约需要 5 个小时以上，而 Claude 能显著缩短这一时长，并且在分辨长文本差异的速度上，Claude 也具备优势，例如 Anthropic 团队将《了不起的 盖茨比》（72K tokens）中修改了一处句子，Claude 仅用时 22 秒定位文本的变化。通过扩展 Context Window， Claude 具备处理长文本、长语言等能力，提升其在协同办公等领域的能力。

引入局部注意力机制的研究最早见于 ALiBi。2021 年 8 月，华盛顿大学、Meta、Allen 人工智能研究所的团 队提出了 ALiBi（Attention with Linear Biases）编码，延续相对位置编码思路，但 position embedding 并没有加在 word embedding 上，而是加上 query 距离成正比的惩罚值，最终实现更稳健的输入长度线性外推表现。

KERPLE 在 ALiBi 基础上改进，取得效果提升。2022 年 5 月，CMU 和普林斯顿大学的研究团队将 Attention 计算公式进一步调整，并引入1 , 2两个可学习参数，从 ALiBi 的 − | − |调整为 { + −1 | − | 2, 1 > 0,0 < 2 ≤ 2 + − 1 log(1 +2 | − |) , 1 , 2 > 0 最终 KERPLE 实现了对 ALiBi 效果的改进，并在 OpenWebText2、GitHub、ArXiv 数据集上的长文本输入 方面领先此前的编码方式。

微软研究团队于 2022 年 12 月提出 XPOS（衍生自 RoPE），实际上对 Q、K 做了非对称变化，导致最终 结果引入超参数的变化，且也是以来相对距离 − ，而非此前 ALiBi 的| − |，由于是单向模型，因此只需 要考虑 ≥ 的情况，并设置超参数在 0~1 的范围变化即可（相当于指数衰减）。

局部注意力机制是对文本的人为截断，且在非语言任务的泛化能力上可能存在问题。因此，一些研究寻求 其他路径。回归输入长度延长的思考，本质上这是一个训练长度和预测长度不一致的问题，其可能是 1）预测时 用到没训练过的位置编码；2）预测时注意力机制所处理的 token 数量远超训练时的数量。 针对位置编码未被训练，《Randomized Positional Encodings Boost Length Generalization of Transformers》提 出在训练时随机采样位置序列或者均匀取点，实现每个位置编码都被训练到。最终实验表明随机位置训练 有效地提升了长度外推的表现。

针对注意力机制处理 token 数量，一个思路是引入缩放注意力，使得注意力机制在处理大量 token 时，注 意力的熵随着长度的变化保持平稳。其中是训练长度，是预测长度。 (,, ) = ( √ ) (,, ) = ( log √ ) 总结来看，局部注意力机制和缩放注意力/随机 Token 处理策略都是某种程度上基于局域信息，也就是如果 下游任务不具有局域性，输入长度的延长属性是否还成立？Google 团队于 2022 年 7 月3提出，通过引入长度泛 化性基准测试（Chomsky Hierarchy Evaluation Benchmark），简单理解即测试时输入序列的长度可以是无限的，实验表明 Transformer 的在多个下游任务的表现上线性延展性能弱于 RNN、LSTM 模型。

在随机位置 训练之下，不同位置编码设计下的 Transformer 都有明显提升，这反映位置编码设计与线性延展性关联度不高。

除了对局域性的处理，另一些思路则沿着降低计算复杂度，从而实现给定内存/算力资源下文本处理能力 的扩展，例如 Google 和 UCB 团队于 2020 年 1 月提出的 Reformer4，以及 Google 研究团队于 2020 年 3 月提出 的 Routing Transformers5。Reformer 主要是 1）引入可逆层，降低模型内存；2）FFN 层分块并行处理，降低内 存消耗；3）局部敏感哈希替代 dot-product attention，降低计算和内存复杂度，最终将计算复杂度从( 2 )降至 ( log )。Routing Transformers 则结合内容稀疏注意力机制和局部注意力机制，将计算复杂度从( 2)降至 ( 1.5)。

FlahAttention 优化内存 I/O 瓶颈，大幅提升 token 处理能力。但斯坦福大学和纽约州立大学团队于 2022 年 5 月研究指出，此前的研究尽管从结果上优化了内存/计算复杂度并降低了时长，但往往聚焦于特定环节，对整 体的优化幅度有限。这主要是由于大规模计算集群的资源瓶颈主要是内存读取速度，因而 FlashAttention 主要针对内存控制优化。FlashAttention 主要通过 1）调整注意力计算机制，将输入分成块，并在输入块上进行多次传 递，从而逐步执行 softmax reduction；

2）存储前向传递的 softmax 归一化因子，在后向传播中快速重新计算片 上注意力，这比从 HBM 中读取中间注意力矩阵的标准方法更快。该研究在 CUDA 中实现 FlashAttention，以 达到对内存访问的细粒度控制，并将所有注意力操作融合到一个 GPU 内核中。即使由于重新计算导致 FLOPs 增加，但其运行速度更快（在 GPT-2 上比传统算法速度提升 7.6 倍）并且使用更少的内存（序列长度线性）， 主要是因为降低了 HBM 访问量。

在此之上，研究团队提出块稀疏注意力（Block-Sparse FlashAttention）算法，实现对 FlashAttention 的进一 步加速。且块稀疏注意力算法下 transformer 序列处理准确度在 64K 下达到 63.1%。斯坦福大学和蒙特利尔大学的研究团队于 2023 年 2 月进一步提出 Hyena 架构，涵盖 1）Element-wise 乘法 门控；2）长卷积，最终实现线性延展性性能损失的最小化，同时大幅节约计算成本。Hyena 在百万级 token 长 度下实现超越 50%的准确率，且相比 transformerFLOPs 下降 20%，在 8K 文本处理速度下较 FlashAttention 提升 2x，在 64K 文本下处理速度较 FlashAttention 提升 100x，标准方法下模型无法处理该内容长度。

2、预训练

2.1、并行化

随着参数规模扩大，显存压力导致模型训练难度提升。学界主要有两种思路：1）数据并行化；2）模型并 行化。数据并行化是将数据集并行分布在不同设备上进行训练，从而实现 batch size 规模的线性化提升，但难 点在于对显存使用效率不高，因此一般适用于中小规模的模型训练。模型并行化则是将不同层切分开来，由不 同卡负责计算模型的一部分，这导致额外的通信操作，主要特点是显存使用效率高，但通信效率低。

Google 和丰田研究院的团队在 2019 年 9 月提出 ALBERT7，即通过共享参数防止参数量随着网络深度的加 深而增加，同时分解 embedding 层参数使得增加隐层大小时而不用改变词嵌入的大小。这在一定程度上解决了 数据并行下模型规模难以扩张的问题，但由于 ALBERT 基于 Encoder 编码器、Gelu 函数，因此其难以泛化至 GPT 等 Decoder 模型架构中。

微软研究团队于 2019 年 10 月提出 ZeRO，通过分片（partition）显著优化显存和通信花费。值得一提的 是，后续 DeepSpeed 超大规模训练工具正是基于 ZeRO 为代表的一系列工作。在《ZeRO: Memory Optimizations Toward Training Trillion Parameter Models》中，研究团队探讨了内存显存的结构，并将将模型训练阶段每张卡中 显存内容分为两类：1）模型状态（model states）；2）剩余状态（residual states），而模型状态占用了主要显存， 因为深度学习中应用比较广泛的 Adam 优化器涵盖了参数梯度、梯度的一阶动量和二阶动量，并且在混合精度 训练下需要存储 FP16 的模型参数、梯度，FP32 的 Adam 状态（模型参数、梯度备份、梯度的一阶动量和二阶 动量）。

定量看，如果单模型参数量为，则实际需要 16的存储空间（其中 75%来自 Adam 优化器）。因此研 究团队提出通过分片（partitions）优化 Adam 带来的模型状态显存占用，通过动态通信策略提升通信效率，+ 下模型通信量和标准的数据并行一致。

微软研究团队后续于 2021 年 1 月、2021 年 4 月发布 ZeRO-Offload 与 ZeRO-Infinity。其中 ZeRO-Offload 就 是引入相对 GPU 显存更廉价的 CPU 内存，但尽可能避免 CPU 通信对整体系统的拖累；ZeRO-Infinity 相较于 Offload 聚焦单卡场景，更适用于超大规模训练场景（业界应用），资源利用率达到 40%水平。Meta 研究团队于 2021 年 7 月提出 FSDP8，对标 ZeRO。FSDP 在此前 DDP9（分布式数据并行）基础上做了 优化，结合参数切分（parameter sharding），实现训练效率提升。

ALBERT、ZeRO、FSDP 主要是从数据并行的角度，结合模型并行的思路进行改进，而另一些研究从模型 并行出发，例如英伟达的 Megatron、Google 的 Gpipe、Kakao 的 torchpipe 等。其中，英伟达团队于 2019 年 9 月 提出 Megetron-LM，基于模型并行基础对 MLP 和 Attention 做切分，最终实现单机 8 卡达到 77%的资源利用率 （等效于 6 卡），模型和数据混合并行下 512 块 GPU 资源利用率达到 74%。英伟达团队于 2021 年 4 月在此基 础上提出结合数据并行方法，实现资源利用率的提升，在 3072 块 GPU 上训练万亿参数模型，计算量达 502 petaFLOP/s，利用率达 52%，较 ZeRO-3 实现更强的效率提升。

Google 研究团队于 2018 年11月提出 Gpipe，通过流水线并行扩展深度学习的训练负载。GPipe 引入流水 并行策略来缓解顺序执行的性能问题，把 mini-batch 细分为多个更小的 micro-batch，同时通过 recompute 降低内 存。后续 Gshard、GSPMD、GaLM 引入自动分片、稀疏激活等技术，实现性能提升。微软和斯坦福大学、CMU 的研究团队于 2018 年6月提出PipeDream，通过结合模型、数据、流水并行解 决数据并行带来的大量通信成本。

2.2、大规模计算集群优化

国内方面，百度与英伟达联合开发 AI 计算集群，采用百度自研 X-MAN 架构 4.0 及英伟达 A100-80GB、 Infiniband 网卡，百度硅谷 AI 实验室（SVAIL）于 2017 年 2 月将 HPC 领域的 Ring AllReduce 迁移至深度学习 领域，解决多 GPU 环境的通信瓶颈问题，目前 Ring AllReduce 已经成为行业较为普遍应用的算法。腾讯 4 月发 布新一代高性能计算集群（High-Performance Computing Cluster），采用腾讯云星星海自研服务器，搭载英伟达 H800 GPU，服务器之间采用 3.2T 互联带宽。

阿里巴巴研究团队 2020 年 2 月提出了 EFLOPS 集群，主要优化了大规模计算集群的通信网络问题。过往的 大规模计算集群的通信网络瓶颈主要来自 1）网卡；2）PCIe 总线；3）不均匀的 QoS 分布。阿里提出为每块 GPU 配置网卡，并使用基于 CLOS 架构的数据中心，通过对端口进行编号的方式构建一个层次化的拓扑结构。实验 表明，最终多线程带宽最高实现 40Gbps 左右水平。

后续 Cisco 的研究团队于 2021 年分别提出 Ruta11/NetDAM12，前者通过引入 3D-Torus 拓扑结构，移除交换 机，实现近乎为零的丢包和低于 200ms 的延迟，较此前的研究有明显提升。NetDAM 主要解决网络拥塞控制 问题，研究团队指出丢包本质是一种传输的损失，而拥塞控制算法本质上是为了降低损失率，而丢包损失由不 确定性影响，所谓的拥塞控制算法就是估计损失的数学期望，并尽可能优化方差和均值。因此，后续的优化方 向主要是确定性网络（降低损失率），准确测量（优化估计从而便于控制）。

在确定性网络方向，阿里巴巴于 2022 年 SIGCOMM 发布 µFAB 和 Solar；在准确测量方向，阿里巴巴于 2019 年 SIGCOMM 发布 HPCC，提出通过 in-network telemetry 实时监测 buffer，缓解 TCP incast 问题。后续哈 佛、USC 等研究团队于 2020 年 7 月提出《PINT: Probabilistic In-band Network Telemetry》，对 HPCC 进行改进， 实现效果提升。而 Google 在 2020 年发布《Swift: Delay is Simple and Effective for Congestion Control in the Datacenter》，提到 DCTCP、PFC、DCQCN、HPCC 使用来自交换机的显式反馈，以保持低延迟，但由于 HPCC 实时监测带来和交换机的紧密协同，增加部署和维护难度。Google 的思路则是降低对网络硬件的依赖，解耦主 机和网络。

Cisco 于 2021 年 10 月提出 NetDAM，思路与 Google 类似，主机侧解耦计算域与 I/O 域内存的方式， 使得响应延迟具有了确定性，同时通过无锁共享内存实现通信，降低交换网 incast 概率。

2.3、内存置换与Checkpoint优化

内存置换即 Offloading，例如通过 CPU 内存置换 GPU，并通过 CPU 和 GPU 通信实现扩容和成本优化，一 个典型的案例就是此前提到微软团队于 2021 年 1 月提出 ZeRO-Offload，引入相对 GPU 显存更廉价的 CPU 内 存，但尽可能避免 CPU 通信对整体系统的拖累。

另一个训练技巧则是 Checkpoint。Checkpoint 引入的初衷也是为了解决存储空间的瓶颈，因此在 Checkpoint 中存储部分前馈传输的激活点和权重，以及在后馈时计算剩余的激活点和权重。2016 年 4 月华盛顿大学、MIT 研究团队提出《Training Deep Nets with Sublinear Memory Cost》，核心思想是将部分占用内存空间大，但计算消 耗小的 tensor，不进行存储，而在需要时重新计算即可。研究的主要缺陷在于忽略了网络中的异质性。2019 年 11 月法国波尔多大学（Université de Bordeaux）、蒙彼利埃大学（Université de Montpellier）等团队提出针对异 质性网络的优化 Checkpoint 方法。

后续法国国家信息与自动化研究所（Inria Bordeaux）在《Efficient Combination of Rematerialization and Offloading for Training DNNs》将 offloading 与 checkpoint 技巧结合，其中 offloading 是用 内存置换通信需求（避免通信瓶颈），checkpoint 是用内存置换计算时间（降低计算资源消耗）。将两种技术合 并将进一步优化整体性能。

3、下游调试

3.1、参数高效调试（Parameter-Efficient Tuning）

由于 Scaling Law 及 CoT 带来的规模竞赛，当前主流预训练大模型的参数规模普遍在数十亿乃至千亿级别， 这导致对所有参数做精调难度较大，因此学术界提出只微调部分参数的思路，但过往的研究一般存在性能损失 等问题，即微调后模型性能无法与全参数调试的性能相比。微软和 CMU 的研究团队于 2021 年 6 月提出 LoRA13， LoRA 的核心思想是过参数模型存在低内在维度，因此可以通过秩14分解矩阵来间接训练神经网络中的一些密集 层，同时冻结预训练模型权重，降低了存储占用，同时提升训练速度（减少计算量）。

另一种高效训练的模式则是基于成熟模型的回答构建的。斯坦福大学 2023 年 3 月提出 Stanford Alpaca15， 基于 LLaMA 7B 模型，以及 5.2 万条基于人类指令反馈内容（数据来自 ChatGPT）。实验表明，Alpaca 的能力 接近 OpenAI 的 text-davinci-003，但参数规模和训练成本远低于 text-davinci-003。另一方面，Alpaca 也相应继承 了原有模型存在的不足，例如欺骗性、错误价值观等，仍需要进一步的调试16和 alignment（对齐）。需要注意的 是，由于基于 LLaMA 开源模型，其需要遵守相应地非商用协议，即基于 LLaMA 的模型不得用于商业用途。另 外，其调试数据来自 ChatGPT（text-davinci-003），因此基于这些数据训练、调试的模型不得与 ChatGPT 进行 竞争。违反以上协议可能面临相应的法律合规风险。

受 Alpaca 启发，2023 年 3 月 UCB、CMU、Stanford、UCSD、MBZUAI 研究团队推出 Vicuna-13B，即基 于 LLaMA-13B 模型，并基于 7 万条用户分享的 ChatGPT 相关反馈做调试，并实现接近 ChatGPT 90%的性能 （由 GPT-4 评判），接近 Bard，领先 Alpaca、LLaMA 等模型。对 LoRA 的评估方面，SUTD、SMU、西南交通大学、达摩院等研究团队于 2023 年 4 月指出，在复杂任务 上，经过 LoRA 等方法调试后的微缩版模型性能弱于基础模型，但在简单任务上二者表现比较接近，且 LoRA 总体上优于其他调试方法。

3.2、基于人类反馈的强化学习（RLHF）

2023 年 5 月，Stanford 和多伦多大学的研究团队提出 AlpacaFarm，旨在低成本、快速实现 RLHF。AlpacaFarm 主要由三个环节组成：1）基于人类反馈数据的训练；2）相比基准模型的评估；3）对比其他 RLHF 方法。相比 于传统的 RLHF，alpaca 引入基于 LLMs 的人类反馈数据，即基于成熟模型的数据作为“标准答案”，这种设计 下成本能够压缩为传统方法的 1/45。RLHF 主要有四个主要问题，1）如何选择人类反馈的形式，存在打分、排序、文本描述等类型；2）目标 主要包括有用性与无害性；3）使用机制分为训练（基于反馈的模仿学习、联合反馈建模、强化学习），解码 （再排序、反馈调节）；4）如何将上述反馈机制模型化。

关于人类反馈机制的形式，排序是一个应用较为普遍的机制，因为打分涉及较多主观因素，标注者的价值 观不同可能导致分数需要归一化处理，而排序则避免了这一问题17。基于同一 prompt 得到不同模型的反馈排序 后，进一步通过 Elo 系统打分归一化。其他反馈形式转化为数值的难度较高，或存在主观性较强等问题，因此 目前主流研究采用排序居多。

关于使用机制方面，John Schulman 在《Reinforcement Learning from Human Feedback: Progress and Challenges》 18提到，SFT 与其等价的 BC（behavior cloning）存在固有缺陷，即训练越充分越容易出现欺骗（即模型并不明 确自己知识的边界），RLHF 则是让模型明确有些问题自己不知道。原理上是因为 SL 训练时只有正反馈，而且 对偏离样本的惩罚较重，RL 多样性更好，因而在面对不知道的问题时，SL 训练充分的模型倾向于回答（胡编 乱造），而非反馈不知道19。RL 方法中，《AlpacaFarm: A Simulation Framework for Methods that Learn from Human Feedback》测试下 PPO 效果最优。

关于建模方面，如 AlpacaFarm 等研究采用基于人类反馈的建模，即构建一个函数使得函数在人类反馈数据 集上与真实人类的反馈程度距离不要相差太远，并通过反馈建模规模化的优化预训练模型，解决了传统方法下 人类反馈带来的高成本问题。但 2022 年 10 月 OpenAI 研究团队指出20，在偏好模型中，使用少于 1000 次比较 仅能导致微小改进，结果近似于随机。此外，采用静态反馈（人类反馈结果不更新）会导改变模型输出分布， 影响模型的一致性和准确性。

因而，学界/业界开始引入基于 AI 反馈的强化学习（RLAIF），例如 2022 年 12 月 Anthropic 研究团队在 《Constitutional AI: Harmlessness from AI Feedback》提出，人类反馈本质上也是基于一系列的原则，因此在监督 学习阶段，研究团队通过 promt 引导模型生成有害性的回答，并将原则以 prompt 形式输入模型，要求模型判断 此前的回答是否违背原则。迭代训练后，将模型面临有害性 prompt 下基于原则生成的无害性回答收集起来，并 用于预训练模型的 finetune。在强化学习阶段，研究团队让此前 SL 训练的模型生成一系列有害性的 prompt 并让 模型在一系列 prompt 中进行有害性排序（类似于 RLHF 的排序），并将 AI 回答构成的有害性排序数据集与人 类生成的有用性数据集结合，共同训练偏好模型，并用于大模型的调试。

Anthorpic 与 OpenAI 等团队主要采用Self AI Feedback，即生成回答与反馈是同一个模型。另一种技术路 径则是引入外部 AI 模型反馈，其优势在于 Self AI Feedback 意味着反馈模型参数规模较大，训练/调试的成本 和时间较多，而外部反馈模型在效率方面具备一定优势。

（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）