当前位置: 首页 » 资讯 » 新科技 » 正文

Mamba一作预告新架构!长文论述Transformer≠最终解法

IP属地 中国·北京 编辑:顾青青 量子位 时间:2025-07-09 14:18:25

Mamba一作最新大发长文!

主题只有一个,即探讨两种主流序列模型——状态空间模型(SSMs)和Transformer模型的权衡之术



简单介绍下,Mamba就是一种典型的SSMs,它建立在更现代的适用于深度学习的结构化SSM基础上,与经典架构RNN有相似之处。

在最受关注的语言任务上,Mamba-3B超越同等规模的Transformer,与两倍大的Transformer匹敌,因此被视为Transformer架构的有力挑战者

现在,Mamba一作将自己去年的几场演讲整合成一篇科普长文,向大众分享了如下观点:

Attention虽强,但不是万能。Transformer≠最终解法,而是阶段性最优。“让每个FLOPs都有意义”才是架构设计的最终目标。将SSM层与注意力层按一定比例混合能带来更强大的模型。

而且他还提前剧透,几天后将发布“架构领域的下一个重大进展”



虽然还不知道具体内容,但他目前扔出来的消息已经足够大家抓耳挠腮一段时间了。

因为他提到了一个重要观点——注意力机制的缺点实际上并不是它的二次复杂度

要知道之前大家都认为,ChatGPT等大模型之所以处理长文本算力消耗巨大,背后原因是Transformer架构中注意力机制的二次复杂度。

而现在,这样的共识或许即将被推翻~

不过好消息是,即将推出的新架构能够和Transformers兼容



那么在迎来新架构之前,先让我们完整回顾下SSMs和Transformers的“世子之争”吧(doge)。

SSMs就像人类的大脑

一上来,作者先定义了什么是状态空间模型(SSMs)?



方程看不懂不要紧,只需要知道它可以通俗理解为循环神经网络(RNN)的现代版

更直观的类比如下:

Transformer就像人类每写一个字之前,都把前面的所有字+输入都复习一遍,所以写的慢。

RNN每次只参考前面固定的字数,写的快,但容易忘掉更前面的内容。

而以Mamba为代表的SSMs每次参考前面所有内容的一个概括,越往后写对前面内容概括得越狠,丢掉细节保留大意。

这一工作方式有点像人类的大脑——不断接收新信息(输入),并将其压缩、总结成一个固定大小的“隐藏状态”(即模型的内部记忆),一旦模型需要处理新信息时,它只与这个总结过的“记忆”互动,而不是回顾所有旧细节。

这也意味着,SSM相比其他架构更适合处理长序列信息,而且它还具备两大优势:

第一,非常适合处理非结构化或“低分辨率”数据。实验结果表明,采用SSM架构的Mamba在语言、音频、DNA序列模态上都实现了SOTA。

第二,处理长序列信息时,其计算成本与序列长度呈线性关系(不会突然急剧上升),且无论输入序列有多长,模型在推理过程中所需的内存量都是固定的(适合资源有限的环境)。

按照作者总结,Mamba的成功得益于SSM的三个关键要素:

(1)状态大小 (State size)

传统RNN通常只有一个较小的隐藏状态,而SSMs通过允许隐藏状态成为一个更高维度的向量,能够存储比旧RNN多N倍的信息。

(2)状态表达能力 (State expressivity)

早期SSMs以固定不变的方式更新状态,适合处理音频(信息变化规律)但不适合处理语言(信息速率变化快、需要选择性记忆)数据。

而Mamba通过引入“选择性SSMs”解决了这个问题,与经典RNN“门控机制”相似,它可以根据当前输入数据来决定哪些信息该记住,哪些该遗忘。

(3)训练效率 (Training efficiency)

尽管状态更大、表达力更强会增加计算难度,但Mamba通过精心的参数化和利用经典的并行扫描算法来解决计算效率问题。

而且它和其他现代循环模型一样,都注重并行化、内存管理以及模型线性度以提高计算效率。

不过作者也提醒,SSMs缺乏对过去信息的精细回忆和精确检索能力

Transformer模型更像一个数据库

相比之下,Transformer模型更像一个数据库——

会把收到的每一个信息(通常是经过Tokenization处理的“token”)都完整记录下来,并储存在一个叫做“KV缓存”的临时记忆区中。当模型需要处理新信息时,它会回顾并比较所有以前储存过的“token”。



其核心组件是自注意力机制,所带来的优缺点也非常明显。

一方面,Transformer模型能完美记住并精细处理序列中每一个单独的“token”。

这使得它在处理已经过预处理、每个“token”都具有明确含义的数据时表现出色。如经过分词(Tokenization)处理的文本,每个词都带有语义,Transformer就能很好地利用它们。

缺点就是计算成本高以及过于依赖高质量数据。

而针对Tokenization,作者也探讨了它是否应该存在的问题,并得出如下观点:

尽管Tokenization有实用价值,但强烈建议废除。

作者认为,虽然Tokenization能够将序列长度缩短约5倍,从而显著提高语言模型的效率,但这只是表面现象。

首先,Tokenization违背了深度学习“端到端”的自动学习精神,即模型应该从原始数据中自动学习,而不是依赖人工预处理。

更要命的是,Tokenization在多语言和多模态应用中实施起来非常困难甚至不可能,而且还可能限制模型的Scaling Law和推理能力。

比如众所周知的翻车事件,模型不会数“strawberry”这个词中有多少个R,就有Tokenization的影响。



一句话,作者坚持认为从原始数据中学习才是一种更好的模式

而且已有实验证据表明,在未经Tokenization处理的数据上,SSMs的表现显著优于Transformer,即使Transformer被允许使用更多的计算资源。这进一步强调了Transformer在处理非语义化“token”数据时的弱点。

至此可以小结一下,SSMs和Transformer模型可谓各有千秋。



那么能不能将二者结合一下呢?

混合一下性能更佳

答案是yes!

作者发现,将两种类型的信息处理方式结合起来,可能会产生更强大的效果。

这类似于人类智能既有大脑的模糊记忆,又有外部数据库的精确检索能力。



多项独立研究表明,在这些混合模型中,SSM层与注意力层之间的最佳比例大约在3:1到10:1之间。

如此也说明,Attention并非All You Need

作者明确表示,他的主张不仅仅关乎计算效率(尽管简化数据可以减少注意力机制的二次复杂度开销),而是一个更强烈的声明,即Transformer在建模能力上存在固有的局限性。

最后,他也提到了已经为人熟知的Scaling Law定律。

在他看来,虽然Transformer目前很流行,但它们远非计算资源转化的最优选择,而要设计新的架构,一个重要衡量标准是每个FLOPs(算力)能否物尽其用,快速转化为模型能力



一言以蔽之,未来的方向可能是结合两者的优势,并开发能够直接处理原始数据的模型。

不知道新架构又能带来多大惊喜?

免责声明:本网信息来自于互联网,目的在于传递更多信息,并不代表本网赞同其观点。其内容真实性、完整性不作任何保证或承诺。如若本网有任何内容侵犯您的权益,请及时联系我们,本站将会在24小时内处理完毕。