随着近些年来NLP领域研究的不断深入，我们逐渐发现，Transformer架构中出现的幻觉问题，以及各种下游任务中的性能不足，都或多或少与注意力缺陷有关。

虽然上下文窗口可以扩展，但是Transformer还是无法真正关注到有价值的信息。

最近，微软研究院和清华大学的研究人员共同提出了一种新的模型架构——Differential Transformer，不仅保留了原始Transformer中的可扩展性，也能让模型更加关注上下文中与任务相关的关键信息。

实验表明，注意力机制的改进，不仅显著提升了检索精度，还能缓解LLM的幻觉。

论文地址：https://arxiv.org/abs/2410.05258

Transformer的困境

众所周知，Transformer的核心是注意力机制，采用softmax函数来衡量序列中各种标记的重要性。然而，最近的研究表明，LLM难以从上下文中准确到检索关键信息。

比如去年斯坦福Percy Liang团队的一篇论文就指出，虽然语言模型能够接受较长的上下文作为输入，但并不能稳健地利用长输入上下文中的信息。

论文地址：https://arxiv.org/abs/2307.03172

比如，实验中发现，仅仅改变关键信息在文档中的出现位置，就可以造成GPT-3.5 Turbo检索性能的大范围波动。

此外，本篇论文的实验结果证明，Transformer经常过度关注不相关的上下文，本文将其称之为「注意力噪声」。

如图1（左）所示，模型分配给正确答案的注意力分数很低，同时不成比例地关注不相关的上下文，这意味着信噪比很低，最终淹没了正确答案。

由此看来，我们对于LLM检索、利用长上下文的过程，知之甚少，其注意力过程也需要更多的改进。

本文所提出的Differential Transformer（DIFF Transformer）正是希望用「差分注意力」（differential attention）机制消除注意力噪声，促使模型关注上下文中的关键信息。

图1的对比结果可以看出，DIFF Transformer给出的注意力分数的分布明显不同于传统Transformer架构，给予关键信息更高的注意力分数，进而显著提升了检索能力。

这种能力的提升，对于有效利用LLM的长上下文窗口、缓解幻觉、关键信息检索等方面都有重要的意义。

模型架构

DIFF Transformer也可以用于纯Encoder或Encoder-Decoder模型，但本篇论文以纯Decoder模型为例进行描述。

整个模型由L个DIFF Transformer层堆叠而成，每层由一个差分注意力模块和前馈网络模块连接形成。

宏观布局类似于传统Transformer架构，但主要区别在于修改了注意力的softmax过程，并且采用了pre-RMSNorm、SwiGLU等改进。

差分注意力

该模块的结构示意图和伪代码如图2所示，具体的代码实现可参考项目GitHub。

代码地址：https://github.com/microsoft/unilm/tree/master/Diff-Transformer

除了传统注意力中的权重矩阵W^Q、W^K、W^V ∈ ℝ^{d_model×2⁢d}，模块中还加入了可学习标量λ。

具体来说，给定输入序列X ∈ ℝ^{N×d_model}，首先将其投影为Q、K、V矩阵Q_1,Q_2,K_1,K_2 ∈ ℝ^{N×d} , V ∈ ℝ^{N×2⁢d}，然后是差分注意力算子DiffAttn(·)通过公式（1）计算输出：

λ被初始化为常量λ_{init} ∈ (0,1)，并依照公式（2）与其他权重参数同步更新：

其中，λ_𝐪𝟏 , λ_𝐤𝟏 , λ_𝐪𝟐 , λ_𝐤𝟐 ∈ ℝ^d也都是是可学习向量。

之所以命名为「差分注意力」，是指两个softmax函数间的差异可以消除注意力噪音。

这个想法类似于电气工程中提出的差分放大器（differential amplifiler），将两个信号之间的差异作为输出，从而消除输入中的共模噪声；降噪耳机的设计也是基于类似的思路。

DIFF Transformer中也可以使用多头注意力机制，在同一层的多个head间共享参数λ，将每个head的输出进行归一化处理后再拼接、投影，就得到了最终输出，如公式（3）所示。

公式（3）中的LN（·）是指对每个头使用RMSNorm，但如图2（左）所示，也可以使用GroupNorm。

加上前馈网络模块，每个DIFF Transformer层就可以描述为：

实验

下游任务

首先，研究人员在1T token上训练3B大小的DIFF Transformer模型，并在各种下游任务上与之前有竞争力的Transformer架构模型进行比较，结果如表1所示。

基线模型大小都为3B，其中，StableLM-3B-4E1T的1T结果取自技术报告，而OpenLLaMA-v2-3B和StableLM-base-alpha-3B-v2同样使用1T数据训练，表中分数为Eval Harness基准测试上的零样本准确率。

结果显示，与之前经过精心调优的Transformer语言模型相比，DIFF Transformer取得了良好的性能。

尤其是对于长上下文任务，如图4所示，随着上下文长度不断增加，累计平均的负对数似然值（NLL）持续降低，说明Diff Transformer可以更有效地利用不断增加的上下文。

关键信息检索

「大海捞针」（Needle-In-A-Haystack）测试被广泛用于评估LLM提取长上下文中的关键信息的能力。

本文的实验遵循LWM和Gemini 1.5的「多针」评估方案，在不同长度的上下文中，N根针被插入不同的深度。每根「针」都由一个简洁的句子组成，为特定城市分配一个独特的魔法数字。

答案针被放置在上下文中的5个不同深度：0%、25%、50%、75%和100%，同时随机放置其他分散注意力的针。待测LLM的目标，就是是检索与查询城市相对应的数字。

4k上下文检索的可结果如表2所示。虽然两种模型在N=1或N=2时都取得了良好的准确率，但随着N的增加，DIFF Transformer的性能保持相对一致，Transformer则显著下降。

将上下文长度扩展至64k时，差距就更加明显，尤其是关键信息位于前半部分时（即0%、25% 和 50%深度）。

特别是，将针放置在25%深度时，DIFF Transformer相对于传统Transformer实现了76%的精度提升。

除了检索精度，表3进一步分析了两种模型为上下文分配的注意力分数。可以看出， DIFF Transformer的确将更多的注意力分配给了有用的信息，并有效地消除注意力噪声。

值得注意的是，DIFF Transformer在提升检索精度的同时也缓解了幻觉现象。

实验包含模型在总结（图4a）和问答（图4b）两种任务上的幻觉评估。可以发现，与Transformer相比，DIFF Transformer的上下文幻觉明显减轻。

这种性能的提高可能源于，改进后的注意力模块能更好第关注任务所需信息，而非不相关的上下文。

这与之前研究中的观察结果一致，即Transformer出现上下文幻觉的一个主要原因是注意力分数的错误分配。

缩放特性

除了下游任务性能，论文还进行了缩放特性的对比。

扩展模型规模

如图3a所示，分别使用830M、1.4B、2.8B、6.8B和13.1B参数训练语言模型，发现DIFF Transformer依旧遵循Scaling Law。

根据拟合曲线，68亿参数规模的DIFF Transformer达到了与110亿参数规模Transformer相当的验证损失，但仅需62.2%的参数。

同样，78亿参数的DIFF Transformer匹配了131亿参数的Transformer的性能，参数量是后者的59.5%。

扩展训练Token

如图3b所示，训练数据的缩放也遵循类似规律，且拟合曲线表明，使用160B token训练的DIFF Transformer达到了与使用251B token训练的Transformer相当的性能，但仅消耗了63.7%的训练数据。

此外，在HellaSwag上的测试结果还可以发现，Diff Transformer对量化和位宽的稳健性显著高于Transformer。

我们建立了一个CV/NLP/搜索推荐/大模型技术交流群！专门分享最新资讯、行业趋势和有趣想法。

如果你想抓住这次AI变革的红利，欢迎扫码进群，群里聚集了很多学术界和工业界大佬，日常还可以唠嗑~

你好，我是对白，硕士毕业于清华，大厂算法工程师，拿过8家大厂算法岗SSP offer

创业做过无人机、机器人和互联网+教育，保研清华后开始系统接触AI。

我每周至少更新一篇原创，分享AI算法、技术干货和职场感悟。下方关注可加我私信交流，点击蓝字查看我的算法学习之路。

您的“点赞/在看/分享”是我坚持最大动力

坚持不易，卖萌打滚求鼓励 (ฅ>ω<*ฅ)

分享

收藏

点赞

在看