作为全新的神经网络架构，RetNet 同时实现了良好的扩展结果、并行训练、低成本部署和高效推理。这些特性将使 RetNet 有可能成为继 Transformer 之后大语言模型基础网络架构的有力继承者。实验数据也显示，在语言建模任务上：
- RetNet 可以达到与 Transformer 相当的困惑度（perplexity）
- 推理速度达8.4倍
- 内存占用减少70%
- 具有良好的扩展性
并且当模型大小大于一定规模时，RetNet 的表现会优于 Transformer。具体详情，一起来看。解决“不可能三角”Transformer 在大语言模型中的重要性毋庸置疑。无论是 OpenAI 的 GPT 系列，还是谷歌的 PaLM、Meta 的 LLaMA，都是基于 Transformer 打造。但 Transformer 也并非完美无缺：其并行处理机制是以低效推理为代价的，每个步骤的复杂度为 O(N)；Transformer 是内存密集型模型，序列越长，占用的内存越多。在此之前，大家也不是没想过继续改进 Transformer。但主要的几种研究方向都有些顾此失彼：线性 Attention 可以降低推理成本，但性能较差；循环神经网络则无法进行并行训练。也就是说，这些神经网络架构面前摆着一个“不可能三角”，三个角代表的分别是：并行训练、低成本推理和良好的扩展性能。
RetNet 的研究人员想做的，就是化不可能为可能。具体而言，RetNet 在 Transformer 的基础上，使用多尺度保持（Retention）机制替代了标准的自注意力机制。与标准自注意力机制相比，保持机制有几大特点：引入位置相关的指数衰减项取代 softmax，简化了计算，同时使前步的信息以衰减的形式保留下来。引入复数空间表达位置信息，取代绝对或相对位置编码，容易转换为递归形式。另外，保持机制使用多尺度的衰减率，增加了模型的表达能力，并利用 GroupNorm 的缩放不变性来提高 Retention 层的数值精度。
RetNet 的双重表示每个 RetNet 块包含两个模块：多尺度保持（MSR）模块和前馈网络（FFN）模块。保持机制支持以三种形式表示序列：
- 并行
- 递归
- 分块递归，即并行表示和递归表示的混合形式，将输入序列划分为块，在块内按照并行表示进行计算，在块间遵循递归表示。
其中，并行表示使 RetNet 可以像 Transformer 一样高效地利用 GPU 进行并行训练。递归表示实现了O(1)的推理复杂度，降低了内存占用和延迟。分块递归则可以更高效地处理长序列。这样一来，RetNet 就使得“不可能三角”成为可能。以下为 RetNet 与其他基础架构的对比结果：
在语言建模任务上的实验结果，进一步证明了 RetNet 的有效性。结果显示，RetNet 可以达到与 Transformer 相似的困惑度（PPL，评价语言模型好坏的指标，越小越好）。同时，在模型参数为70亿、输入序列长度为8k的情况下，RetNet 的推理速度能达到 Transformer 的8.4倍，内存占用减少70%。在训练过程中，RetNet 在内存节省和加速效果方面，也比标准 Transformer+FlashAttention 表现更好，分别达到25-50%和7倍。值得一提的是，RetNet 的推理成本与序列长度无关，推理延迟对批量大小不敏感，允许高吞吐量。
另外，当模型参数规模大于20亿时，RetNet 的表现会优于 Transformer。
