谷歌和Meta相繼在無限長上下文建模領域展開角逐,。Transformer模型因二次復雜度及對長序列處理的局限性,，盡管已有線性注意力和狀態(tài)空間模型等次二次解決方案,，但其預訓練效率和下游任務準確性仍不盡人意。谷歌近期推出的Infini-Transformer通過創(chuàng)新方法,，使大型語言模型能夠處理無限長輸入,，且無需增加內(nèi)存與計算需求，引發(fā)業(yè)界關注,。

緊隨其后,，Meta攜手南加州大學、CMU,、UCSD等研發(fā)團隊,，推出了名為MEGALODON的神經(jīng)架構(gòu)，同樣致力于無限長文本的高效序列建模,，上下文長度無任何限制,。MEGALODON在MEGA架構(gòu)基礎上，引入了復數(shù)指數(shù)移動平均（CEMA）,、時間步歸一化層,、歸一化注意力機制及具備雙特征的預歸一化殘差配置等技術組件，旨在提升模型能力和穩(wěn)定性,。

在與LLAMA2的對比試驗中,，擁有70億參數(shù)、經(jīng)過2萬億訓練token的MEGALODON展現(xiàn)出超越Transformer的效率優(yōu)勢,。其訓練損失為1.70,，介于LLAMA2-7B（1.75）與13B（1.67）之間。一系列基準測試進一步證實了MEGALODON在不同任務與模式中相對于Transformers的顯著改進,。

MEGALODON的核心改進在于對MEGA架構(gòu)的優(yōu)化,，利用門控注意力機制與經(jīng)典指數(shù)移動平均法。為增強大規(guī)模長上下文預訓練的能力與效率,，研究者引入了CEMA,，將MEGA中的多維阻尼EMA擴展至復數(shù)域；并設計了時間步歸一化層,，將組歸一化應用于自回歸序列建模,，實現(xiàn)沿順序維度的歸一化。此外,，通過預歸一化與兩跳殘差配置調(diào)整,，以及將輸入序列分塊為固定塊，確保了模型訓練與推理過程中的線性計算與內(nèi)存復雜性,。

在與LLAMA2的直接較量中,，MEGALODON-7B在同等數(shù)據(jù)與計算資源條件下，訓練困惑度顯著低于最先進的Transformer變體,。針對長上下文建模能力的評估涵蓋了從2M的多種上下文長度到Scrolls中的長上下文QA任務,，充分證明了MEGALODON處理無限長度序列的能力。此外，在LRA,、ImageNet,、Speech Commands、WikiText-103和PG19等中小型基準測試中,，MEGALODON在體量與多模態(tài)處理方面展現(xiàn)卓越性能,。

論文詳細介紹了MEGALODON的技術創(chuàng)新，包括對MEGA架構(gòu)中關鍵組件的回顧及存在問題的探討,。為解決MEGA面臨的表達能力受限,、架構(gòu)差異及無法大規(guī)模預訓練等問題，研究者創(chuàng)新提出CEMA,，將多維阻尼EMA擴展至復數(shù)域,；引入時間步歸一化，通過計算累積均值與方差,，將組歸一化擴展至自回歸情況,；定制歸一化注意力機制以提升穩(wěn)定性；并設計具有Two-hop殘差的預范數(shù)結(jié)構(gòu),，有效應對模型規(guī)模擴大帶來的預歸一化不穩(wěn)定問題,。

實驗結(jié)果顯示，MEGALODON在長上下文序列建模的可擴展性與效率上表現(xiàn)出色,。在相同訓練token下,，MEGALODON-7B的負對數(shù)似然（NLL）優(yōu)于LLAMA2-7B，顯示出更高的數(shù)據(jù)效率,。在不同上下文長度下的WPS（word/token per second）對比中,，MEGALODON-7B在處理長上下文時速度明顯快于LLAMA2-7B，印證了其在長上下文預訓練中的計算效率優(yōu)勢,。

在各項基準測試中,，MEGALODON均展現(xiàn)出優(yōu)秀性能，無論是在短上下文任務,，還是長上下文任務,，以及指令微調(diào)、中等規(guī)?；鶞试u估（如ImageNet-1K圖像分類與PG-19文本生成）等方面,，MEGALODON均取得優(yōu)異成績，部分甚至超越已使用RLHF進行對齊微調(diào)的模型,。這些成果充分驗證了MEGALODON在無限長上下文建模領域的先進性與廣泛應用潛力,。