突破常規：僅用0.2%訓練量，線性注意力提升20+的驚人發現！

原標題：405B大模型也能線性化！斯坦福MIT最新研究，0.2%訓練量讓線性注意力提分20+
文章來源：新智元
內容字數：5537字

新智元：低秩線性轉換方法的推出與應用

近期，斯坦福大學、麻省理工學院等機構的研究人員推出了一種名為LoLCATs（Low-rank Linear Conversion with Attention Transfer）的低秩線性轉換方法。這一方法能夠將傳統的注意力機制無縫轉移到線性注意力，僅需0.2%的參數更新即可恢復模型精度。研究團隊成功地在兩天內對405B的大模型進行了訓練，展現了線性注意力的強大潛力。

1. 線性化的必要性

傳統的softmax注意力計算復雜度隨序列長度的平方增長，導致對長序列處理的困難。線性化的目標是將計算復雜度降低為線性關系，從而緩解長序列帶來的壓力。

2. LoLCATs的實現步驟

LoLCATs的線性化轉換分為兩個主要步驟：首先，使用線性注意力替換原始的softmax注意力，并通過MSE損失訓練新增的參數；其次，通過低秩適配（LoRA）進行微調，以提升模型精度。這種方法不僅高效，還能保持接近原始模型的性能。

3. 逐層優化與并行訓練

為了實現可擴展性，研究人員引入了逐層優化的理念，將大模型分為多個塊進行聯合訓練。通過這種方式，研究團隊成功地將訓練時間縮短，且在處理像Llama 3.1 405B這樣的大模型時，整體訓練效率得到了顯著提高。

4. 實驗結果與模型性能

在多個流行的LLM評估任務中，LoLCATs顯著提升了模型質量和訓練效率。相比于以往的線性化方法，LoLCATs的參數訓練量僅為0.2%，但模型性能差距縮小了80%以上。尤其在Llama 3.1 70B和405B模型上，精度分別提升了39點和38.3分，訓練效率也得到了改善。

結論

LoLCATs的推出標志著線性化技術的進步，開辟了在生產級大模型中應用線性注意力的道路。通過這種高效的轉換方法，研究人員不僅解決了模型訓練成本高的問題，也為未來大規模模型的開發提供了新的思路。

聯系作者

文章來源：新智元
作者微信：
作者簡介：智能+中國主平臺，致力于推動中國從互聯網+邁向智能+新紀元。重點關注人工智能、機器人等前沿領域發展，關注人機融合、人工智能和機器人對人類社會與文明進化的影響，領航中國新智能時代。