Memory Layers – Meta 開源不增加算力時增加大模型的參數方法

Memory Layers是Meta推出的一種創新技術，旨在通過可訓練的鍵值查找機制為模型增加額外的參數，而無需增加浮點運算次數（FLOPs）。這種基于稀疏激活的機制能夠有效補充計算密集型的前饋層，以低成本存儲和檢索信息。Memory Layers在大規模語言模型中表現出卓越的實用性，尤其是在處理事實性任務時，顯著提升了模型的性能。

Memory Layers是什么

Memory Layers是Meta研發的技術，采用可訓練的鍵值查找機制來為模型擴展額外的參數，同時不增加計算負擔（即不增加FLOPs）。這種技術通過稀疏激活機制補充計算密集的前饋層，提供了一種經濟的方式來存儲和檢索信息。Memory Layers在大型語言模型中表現出顯著的優勢，尤其在涉及事實性任務時，能夠有效提升模型的準確性和知識獲取能力。

Memory Layers的主要功能

• 參數擴展：允許在不增加計算負擔的前提下擴充模型參數，提高模型的容量。
• 信息存儲與檢索：提供一種專門的機制來存儲和檢索信息。
• 補充密集層：與計算密集型前饋層相輔相成，基于稀疏激活模式提供專用的信息存儲和檢索能力。
• 提高事實準確性：在事實性任務中，顯著提升語言模型的準確性，使模型更有效地記憶和運用訓練數據中的事實。
• 性能提升：在計算和參數配置相匹配的情況下，使模型的性能超過傳統的密集模型和混合專家模型。

Memory Layers的技術原理

• 鍵值查找機制：基于簡單的鍵值查找機制運作，鍵和值都被編碼為嵌入向量。給定查詢向量q和一組鍵K及值V，輸出是根據q與相應鍵的相似度計算得出的值的軟組合。
• 稀疏激活：與傳統注意力機制不同，Memory Layers中使用的鍵和值是可訓練的參數，而非激活值。由于鍵和值的數量通常較多，Memory Layers通過稀疏查找和更新機制，只有與查詢最相似的top-k鍵及其對應值參與輸出計算。
• 產品鍵查找：為了解決大規模記憶中查詢-鍵檢索的瓶頸，Memory Layers采用產品量化鍵（product-quantized keys），用兩組較小的鍵有效進行全鍵集的top-k查找。
• 并行化實現：Memory Layers對內存的需求較大，在多個GPU上并行化嵌入查找和聚合，支持大規模擴展。
• 共享記憶參數：通過共享的記憶參數池，基于多個記憶層提升性能，而不增加參數數量。

Memory Layers的項目地址

• 項目官網：https://ai.meta.com/research/publications/memory-layers-at-scale/
• GitHub倉庫：https://github.com/facebookresearch/memory
• arXiv技術論文：https://arxiv.org/pdf/2412.09764

Memory Layers的應用場景

• 問答系統：在問答系統中，幫助模型記住和檢索大量事實信息，提供準確的回答。
• 語言模型：在自然語言處理領域，增強語言模型的記憶能力，使其在處理長文本和復雜對話時更加高效。
• 推薦系統：在推薦系統中存儲用戶的歷史行為及偏好，以提供更個性化的推薦。
• 知識圖譜：在知識圖譜的應用中，存儲和檢索實體之間的關系，支持復雜的查詢和推理。
• 對話系統：在對話系統中，幫助模型記住對話歷史，使對話更加連貫和自然。