导读
在计算机科学的发展史上，硬件算力、算法程序与计算数据总是螺旋上升。在硬件相同的条件下，算法的效率和优化程度决定了其利用硬件资源的能力，从而直接影响计算机的算力。因此，为了提升计算机系统带来的综合效益，计算机编程和人工智能算法设计旨在最大化地利用计算机的算力，设计高效的算法以提高计算效率。
深度学习发展到今天，基于 Transformer 的 LLM 模型在推理效率、并行计算能力、长序列建模能力等方面逐渐显现出不足之处。面对海量的计算数据、复杂的下游任务、更高的效能要求，如何实现更快的训练、更小的推理开销、更强的模型性能是当下人工智能研究领域的「核心问题」之一。
2023 年 7 月 25 日，来自微软研究院、清华大学的学者在 Arxiv 上发布了论文「Retentive Network: A Successor to Transformer for Large Language Models」，旨在同时实现低成本推理、并行训练、较强的长序列建模能力，使 CNN、RNN、Transformer 等时代传统意义上的「不可能三角」成为了可能，可谓「质效皆优」。正如论文名所称，RetNet 有望成为 Transformer 的「继承者」，成为 LLM 时代新的支柱性基础架构。智源社区特别邀请了作者之一清华孙宇涛针对RetNet核心进展和未来应用进行了采访，以下为技术解读和访谈原文。
采访：李梦佳 编辑：熊宇轩
LLM 时代的重要应用：长文本建模
步入大语言模型时代，长文本建模任务广泛存在于「多轮对话」、「信息检索」等任务中。长文本建模任务面临序列长度限制、计算效率要求高等挑战。为此，研究人员采用「文本截断」、「文本分块」、「文本选择」等技巧来优化模型，提升建模性能。
在计算架构方面，原始的 Transformer 模型的计算复杂度会随序列长度增长而指数级上升，面对长文本建模任务亟需提升其计算效率。为此，学者们提出了基于固定模式分析、可学习模式分析、注意力近似、高效编码解码注意力机制设计、循环 Transformer 设计、长文本预训练等技术的解决方案。此外，在 NLP 层面上，一些学者也提出针对长文本的特殊性质（例如，长距离依赖、句间关系、篇章结构）引入归纳偏置，提升建模性能。
具体而言，Transformer模块内的计算过程如上图所示。在 Softmax 函数内部，Q 与 K 的内积的计算复杂度为 O(N^2)，当 N 较大时，将引入巨大的计算量。
相较于被广泛使用的 Transformer ，RetNet 也使用了类似于 Q、K、V 的张量运算机制，借用了 xPos、ROPE 等位置编码思想建模序列中 Token 的位置信息，在局部、长程序列建模方面有很好的表现。不同之处在于，RetNet 去掉了 Softmax 函数，实现了递推和分块处理，有利于并行计算和推理。
RetNet 模型与 S4 模型有紧密的联系。如果将 RetNet 中 Q、K 的计算以上下文无关的方式实现（将其视为可学习的位置无关的变量，而非通过 X 映射得到），就可以将 RetNet 退化为 S4 模型。而 S4 之所以在语言任务上性能弱于 Transformer ，正是由于其忽略了语言丰富的层次特征。RetNet 由此获得了强于 S4 的性能。
基于线性注意力的 Transformer 架构以牺牲位置信息为代价，采用核方法模拟了 Softmax 计算，无法处理多尺度信息。相较之下，RetNet 从头开始实现递推形式的序列建模。
相较于近期的 AFT/RWKV 等工作：使用更高维的隐状态建模中间变量，提升了上下文容量。
值得一提的是，尽管在性能、推理开销、并行计算能力上各有千秋，但上述所有方法都并未在自然语言场景下达到与原始 Transformer 相当的综合性能。而随着大模型时代的到来，人们对于更快、更强、更廉价的基础模型的呼声与日俱增。
LLM 时代的新模型基座：RetNet
人们设计深度学习模型的动机主要包括：（1）建模数据分布（2）提升模型在下游任务上的性能。在大模型部署场景下，基于 Transformer 的模型性能存在较为明显的「瓶颈」。在推理过程中，所有步自注意力步骤的中间结果（K、V）都会被存储下来。这样一来，计算、输入/输出的时间开销和内存的空间开销都会上升，这种弊端在处理长文本时尤为明显。
RetNet 的贡献主要包括：
（1）给出了 Rentention 的三种等价形式：并行、递推、分块，分别对应于语言模型训练、长序列建模、长文本训练工程实现中的需求。
（2）通过多尺度门控 Rentention 使各个注意力头都可以建模多尺度信息，并且互相之间不受影响，对于提升模型性能和稳定性都有很大的帮助。
（3）去掉了非线性的 Softmax 操作，对表征引入了门控的 Swish GLU 函数，补充了模型的非线性处理能力。
在保持与 Transformer 性能相当的前提下，RetNet实现了并行化训练和开销更低的推理，其推理开销与序列长度无关。当序列长度为 8K，模型参数量为 7B 时，RetNet 的解码速度为带有键/值缓存的 Transformer 的 8.4 倍，内存开销则下降了 70%。RetNet 训练时占用的内存相较于标准的 Transformer 节省了 25-50%， 其训练速度为后者的 7 倍。RetNet 的推理延迟不会受到 batch size 的较大影响，其吞吐量较 Transformer 有巨大提升。
RetNet 的诞生有望大大降低 LLM 的训练、使用门槛，促进 LLM 在边缘计算设备上的应用。未来，甚至「一部手机也可以运行 LLM」。
RetNet 有多强？
RetNet 究竟有多强？我们通过原始论文中的实验结果来感受一下：
长文本建模是 LLM 的重要应用场景之一。在模型参数量为 1.3B 时，RetNet 还未显现出性能优势，而随着模型规模不断扩大到 2.7B、6.7B RetNet 相较于 Transformer 的 PPL 优势就逐渐显现出来，且越来越明显。
零样本、小样本场景下可以充分显现大语言模型的涌现性能。当模型参数量为 6.7B 时，RetNet 在小样本、零样本下游任务上实现了与 Transformer相当的性能。可见，RetNet 在保证性能不弱于 Transformer 的情况下，极大提升了模型的运行效率，降低了 LLM 的应用门槛，促进了业态的革命性迭代。
在具体操作层面上，「究竟使用怎样的算力可以成功实现 RetNet 模型的训练和推理」是许多算力有限的初创企业和科研院迫切关心的问题。
在训练方面，以长度为 8K 的序列为例，训练分块形式的 RetNet 所需的内存空间不到原始 Transformer 的一般，甚至低于基于 FlashAttention 的 Transformer。同时，RetNet 的吞吐量接近原始 Transformer 的 7 倍，且仍然显著高于给予 FlashAttention 的 Tranformer，好比「马儿又能跑，又不怎么吃草」。即使不对 RetNet 进行底层优化，其性能也优于优化后的 FlashAttention，且与 FlashAttention2 相当。
值得注意的是，RetNet 并不依赖特定的内核，可以在 Nvidia A100 和 AMD MI200 计算集群上完美训练，具有相当强的跨平台通用性。
RetNet 的高效与通用性大大降低了训练的硬件要求门槛，让更广大的从业者可以参与到 LLM 的工作中，降低了业界使用 LLM 的计算开销和能源消耗，有望带来巨大的经济效益。
相较于训练上的效率提升。RetNet 在推理过程中的优势更加显著。在显存占用方面：RetNet 的显存开销为 O(1)，推理所需的显存开销并不会随着序列的程度增长而增大，吞吐量相较于 Transformer 有巨大的提升，非常有利于长序列建模和边缘部署。RetNet 节省了 I/O，对延迟的优化更加友好。
RetNet 的优良性能
相较于已有的 Transformer 类模型，RetNet 具备以下优良性能：
（1）建模效率高。尽管线性 Transformer 等基于 Transformer 的网络已经有较好的建模能力，但是其在大规模长序列数据集上的建模效率仍然较为低下。RetNet 在代码、视频、语音等复杂长文本场景下也具有一定的应用潜力。
（2）并行训练优。当模型规模特别大时，张量并行已经不能满足模型训练的效率需要，需要做训练并行。基于分块机制的 RetNet 天然契合序列并行任务，可以在机器之间传输隐状态的递归类信息，极大减少网络的信息传输压力，优势十分明显。
（3）量化难度低。对模型做量化优化时需要对 Softmax 函数进行处理（例如，峰值截断）。RetNet 的线性变化形式对于量化操作十分友好，可以进一步增大其在推理中的优势。
作者在拥有 65B 参数的更大的模型上用 4 张 Nvidia A100 显卡进一步验证了模型在使用大 batch-size 时的性能。实验结果表明，模型与 Group-query 技巧相兼容，可以通过去除一半的注意力头大幅度提升推理速度。
论文链接：https://arxiv.org/pdf/2307.08621.pdf
项目链接：https://aka.ms/retnet
Q&A
Q1 :研发 RetNet 背后的动机是什么？团队做过哪些立项调研，确定该题目的可行性？
现在绝大多数研发大模型的公司、机构，都会碰到一个瓶颈。即在实际部署达模型的过程中，部署成本高，延迟过长，这对大模型更广泛的应用造成严重瓶颈。
这是一个老生常谈的问题，之前的研究者提出了一些解决方案。但这些针对 Transformer 的改进方法在 LLM 场景下并没有更普遍的适用性。此前的工作更多是在特定实验数据上有比较好的表现。
所以我们在实际研发 RetNet 之前，调研复现了之前几乎所有能够高效推理的方案，发现在标准的场景下，这些方案在性能上距离 Transformer 还有很大差距。
我们的研究动机是：（1）在满足推理高效性的基础上，尽可能地提升性能。（2）确保模型的泛用性。越简单的架构，往往泛用性越强。
因此，我们形成了一个很清晰的思路，从递推性出发，得到一些很简洁的式子。从某种程度上说，Rentention 可能是为数不多的序列建模实现方案之一。
从可递推性的角度来说，Rentention 是一个非常普遍的方案，实现了对之前模型更高层次的概括，改模型会表现出比以往模型更强的特征。
没有任何理论能证明 Transformer 就是最好的。自 2017 年被提出以来，有很多工作企图去改进 Transformer 的性能。语言数据建模需要把握数据分布，理解语言的特征，在满足期望特性的情况下进一步开展研究。
Q2：深度学习经历了 CNN、RNN，再到现在Transformer架构的发展过程，是什么节点导致了这些架构的更新？
Transformer 是一个革命性的工作，定义了 AI 发展的一个阶段。在 CNN、RNN 时期，我们针对特定场景设计特定的模型，这种设计对某些局部的任务是更有好处的。
此外，在 Transformer 诞生前的深度学习发展早期，从业者没有足够的算力做更大的模型。小模型往往无法实现长距离依赖。在大模型时代，我们可以直接参考更远的 Token 特征，这不仅仅是 Transformer 的贡献，更是硬件的贡献。
在充足算力的支持下，Transformer 应运而生，将整个 AI 业界的范式从小数据小模型转到大数据大模型。可以说，Transformer 代表了大数据的流派。同时，研究者们解决了可并行性的问题，提供了相应的高效训练的场景。在特征建模方面方面，Transformer 能把更多的特征吸收进来，这就是它和之前架构相比最主要的区别。
Q3：能否更浅显易懂地解释 Retnet 架构？相比于Transformer，它有哪些主要的变革意义？为何有人称其为「M1芯片级别的变革」，最强的提升在哪？
在当前的数据使用场景下，Transformer 提供了很强的基线，使用者也可以在 Transformer 基础上做出改进。RetNet 的研究重点并不在提升 Transformer 在具体任务上的性能，而是降低其使用门槛。RetNet 希望能在低消耗、显存受限的情况下，「让大模型真正地飞入千家万户」。
具体而言，我们放弃了 Transformer 思想中每一对 token 之间都需要进行交互的思想。从计算的角度来说，每一对 Token 进行交互是可以实现的。然而，没有证据证明 Transformer 的出色性能是逐对 token 交互带来的。二者之间没有因果关系。
在计算的过程中，Transformer 的梯度（gradients）比较简单，可优化性比较强，RetNet 也具备这一优点。基于这一点，我们抛弃了Transformer 粗放式的 Token 交互计算模式，转而从可递推性出发，去掉了 Softmax 函数，弱化了 Token 之间的交互计算，显著降低了推理成本和显存占用。
Q4：RetNet 主要针对大模型场景开发，要发挥其优势，对训练数据的数据量有何要求？
从泛用性的角度说，RetNet 要求模型规模要大、数据量要多。RetNet 主要针对长序列建模的训练场景开发（例如，长视频、长文本），这种场景下更能发挥其优势。现有的 CNN、RNN、Transformer 等模型在小数据量的任务上已经有很强的建模能力，并不是 RetNet 设计所考虑的主要问题。
Q5：畅想一下，RetNet架构对深度学习技术的发展会产生哪些影响？
最重要的影响是，如果大模型社区接受 RetNet 作为新的骨干网络，能真正降低推理成本，提高大模型可用性，进而推动更多的人进行基础模型研究。
此外，除了语言场景，还有很多任务存在许多长序列建模需求（包括音频、视频等）。目前的专用 Transformer 模型，需要引入许多技巧。做好 RetNet 架构，有希望在更多的数据场景下产生更好的影响。
Q6：推广 RetNet 走向大规模实用，还需要做哪些工作？
一方面，研究者需要优化模型架构本身，整个研究社区需要在开源平台的支持下，推广大家将该模型应用到各个下游任务场景中。
最基础的一点在于，在下游任务上，要有足够好的数据支撑我们得出好的预训练参数，为下游研究者、从业者提供便利。要想使 RetNet 取代 Transformer，还需要在更多任务上对 RetNet 的性能做验证，让大家真正接受它。
第二，RetNet 需要针对实际部署环境进行深度优化，包括底层的内核算子优化，各个硬件场景下的优化。例如，如果真正想让 RetNet 在 M1 芯片上运行，还有很多针对特定指令集的优化工作要做。目前的代码只是一个开源的算法原型。
Q7：未来在这个大模型下游应用上会有哪些潜力？如何飞入千家万户？
首先，我们需要建立很强的模型架构，并提供泛化性很好的预训练参数。然后，我们还需要再进行模型尺寸裁剪、推理引擎量化、硬件平台适配等处理，使模型可以在个人电脑，甚至手机上以极低的功率来运行。
一方面，我们降低了模型的运行成本。另一方面，我们可以在手机端做一些相应的适配。模型的它的应用门槛会很低。
更多内容 尽在智源社区
