Mamba超強(qiáng)進(jìn)化體一舉顛覆Transformer！單張A100跑140K上下文

---

  新智元報(bào)道  

編輯：編輯部

【新智元導(dǎo)讀】52B的生產(chǎn)級(jí)Mamba大模型來了！這個(gè)超強(qiáng)變體Jamba剛剛打破世界紀(jì)錄，它能正面硬剛Transformer，256K超長上下文窗口，吞吐量提升3倍，權(quán)重免費(fèi)下載。

之前引爆了AI圈的Mamba架構(gòu)，今天又推出了一版超強(qiáng)變體！

人工智能獨(dú)角獸AI21 Labs剛剛開源了Jamba，世界上第一個(gè)生產(chǎn)級(jí)的Mamba大模型！

Jamba在多項(xiàng)基準(zhǔn)測(cè)試中表現(xiàn)亮眼，與目前最強(qiáng)的幾個(gè)開源Transformer平起平坐。

特別是對(duì)比性能最好的、同為MoE架構(gòu)的Mixtral 8x7B，也互有勝負(fù)。

具體來說它——

• 是基于全新SSM-Transformer混合架構(gòu)的首個(gè)生產(chǎn)級(jí)Mamba模型

• 與Mixtral 8x7B相比，長文本處理吞吐量提高了3倍

• 實(shí)現(xiàn)了256K超長上下文窗口

• 是同等規(guī)模中，唯一一個(gè)能在單張GPU上處理140K上下文的模型

• 以Apache 2.0開源許可協(xié)議發(fā)布，開放權(quán)重

之前的Mamba因?yàn)楦鞣N限制，只做到了3B，還被人質(zhì)疑能否接過Transformer的大旗，而同為線性RNN家族的RWKV、Griffin等也只擴(kuò)展到了14B。

——Jamba這次直接干到52B，讓Mamba架構(gòu)第一次能夠正面硬剛生產(chǎn)級(jí)別的Transformer。

Jamba在原始Mamba架構(gòu)的基礎(chǔ)上，融入了Transformer的優(yōu)勢(shì)來彌補(bǔ)狀態(tài)空間模型（SSM）的固有局限性。

可以認(rèn)為，這實(shí)際上是一種新的架構(gòu)——Transformer和Mamba的混合體，最重要的是，它可以在單張A100上運(yùn)行。

它提供了高達(dá)256K的超長上下文窗口，單個(gè)GPU就可以跑140K上下文，而且吞吐量是Transformer的3倍！

與Transformer相比，看Jamba如何擴(kuò)展到巨大的上下文長度，非常震撼

Jamba采用了MoE的方案，52B中有12B是活躍參數(shù)，目前模型在Apache 2.0下開放權(quán)重，可以在huggingface上下載。

模型下載：https://huggingface.co/ai21labs/Jamba-v0.1

LLM新里程碑

Jamba的發(fā)布標(biāo)志著LLM的兩個(gè)重要里程碑：

一是成功將Mamba與Transformer架構(gòu)相結(jié)合，二是將新形態(tài)的模型（SSM-Transformer）成功提升到了生產(chǎn)級(jí)的規(guī)模和質(zhì)量。

當(dāng)前性能最強(qiáng)的大模型全是基于Transformer的，盡管大家也都認(rèn)識(shí)到了Transformer架構(gòu)存在的兩個(gè)主要缺點(diǎn)：

內(nèi)存占用量大：Transformer的內(nèi)存占用量隨上下文長度而擴(kuò)展。想要運(yùn)行長上下文窗口，或大量并行批處理就需要大量硬件資源，這限制了大規(guī)模的實(shí)驗(yàn)和部署。

隨著上下文的增長，推理速度會(huì)變慢：Transformer的注意力機(jī)制導(dǎo)致推理時(shí)間相對(duì)于序列長度呈平方增長，吞吐會(huì)越來越慢。因?yàn)槊總€(gè)token都依賴于它之前的整個(gè)序列，所以要做到超長上下文就變得相當(dāng)困難。

年前，來自卡內(nèi)基梅隆和普林斯頓的兩位大佬提出了Mamba，一下子就點(diǎn)燃了人們的希望。

Mamba以SSM為基礎(chǔ)，增加了選擇性提取信息的能力、以及硬件上高效的算法，一舉解決了Transformer存在的問題。

這個(gè)新領(lǐng)域馬上就吸引了大量的研究者，arXiv上一時(shí)涌現(xiàn)了大量關(guān)于Mamba的應(yīng)用和改進(jìn)，比如將Mamba用于視覺的Vision Mamba。

不得不說，現(xiàn)在的科研領(lǐng)域?qū)嵲谑翘砹?，把Transformer引入視覺（ViT）用了三年，但Mamba到Vision Mamba只用了一個(gè)月。

不過原始Mamba的上下文長度較短，加上模型本身也沒有做大，所以很難打過SOTA的Transformer模型，尤其是在與召回相關(guān)的任務(wù)上。

Jamba于是更進(jìn)一步，通過Joint Attention and Mamba架構(gòu)，整合了Transformer、Mamba、以及專家混合（MoE）的優(yōu)勢(shì)，同時(shí)優(yōu)化了內(nèi)存、吞吐量和性能。

Jamba是第一個(gè)達(dá)到生產(chǎn)級(jí)規(guī)模（52B參數(shù)）的混合架構(gòu)。

如下圖所示，AI21的Jamba架構(gòu)采用blocks-and-layers的方法，使Jamba能夠成功集成這兩種架構(gòu)。

每個(gè)Jamba塊都包含一個(gè)注意力層或一個(gè)Mamba層，然后是一個(gè)多層感知器（MLP）。

Jamba的第二個(gè)特點(diǎn)，是利用MoE來增加模型參數(shù)的總數(shù)，同時(shí)簡(jiǎn)化推理中使用的活動(dòng)參數(shù)的數(shù)量，從而在不增加計(jì)算要求的情況下提高模型容量。

為了在單個(gè)80GB GPU上最大限度地提高模型的質(zhì)量和吞吐量，研究人員優(yōu)化了使用的MoE層和專家的數(shù)量，為常見的推理工作負(fù)載留出足夠的內(nèi)存。

對(duì)比Mixtral 8x7B等類似大小的基于Transformer的模型，Jamba在長上下文上做到了3倍的加速。

Jamba將在不久之后加入NVIDIA API目錄。

長上下文又出新選手

最近，各大公司都在卷長上下文。

具有較小上下文窗口的模型，往往會(huì)忘記最近對(duì)話的內(nèi)容，而具有較大上下文的模型則避免了這種陷阱，可以更好地掌握所接收的數(shù)據(jù)流。

不過，具有長上下文窗口的模型，往往是計(jì)算密集的。

初創(chuàng)公司AI21 Labs的生成式模型就證明，事實(shí)并非如此。

Jamba在具有至少80GB顯存的單個(gè)GPU（如A100）上運(yùn)行時(shí)，可以處理多達(dá)140,000個(gè)token。

這相當(dāng)于大約105,000字，或210頁，是一本長度適中的長篇小說的篇幅。

相比之下，Meta Llama 2的上下文窗口，只有32,000個(gè)token，需要12GB的GPU顯存。

按今天的標(biāo)準(zhǔn)來看，這種上下文窗口顯然是偏小的。

對(duì)此，有網(wǎng)友也第一時(shí)間表示，性能什么的都不重要，關(guān)鍵的是Jamba有256K的上下文，除了Gemini，其他人都沒有這么長，——而Jamba可是開源的。

Jamba真正的獨(dú)特之處

從表面上看，Jamba似乎并不起眼。

無論是昨天風(fēng)頭正盛的DBRX，還是Llama 2，現(xiàn)在都已經(jīng)有大量免費(fèi)提供、可下載的生成式AI模型。

而Jamba的獨(dú)特之處，是藏在模型之下的：它同時(shí)結(jié)合了兩種模型架構(gòu)——Transformer和狀態(tài)空間模型SSM。

一方面，Transformer是復(fù)雜推理任務(wù)的首選架構(gòu)。它最核心的定義特征，就是「注意力機(jī)制」。對(duì)于每條輸入數(shù)據(jù)，Transformer會(huì)權(quán)衡所有其他輸入的相關(guān)性，并從中提取以生成輸出。

另一方面，SSM結(jié)合了早前AI模型的多個(gè)優(yōu)點(diǎn)，例如遞歸神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)，因此能夠?qū)崿F(xiàn)長序列數(shù)據(jù)的處理，且計(jì)算效率更高。

雖然SSM有自己的局限性。但一些早期的代表，比如由普林斯頓和CMU提出的Mamba，就可以處理比Transformer模型更大的輸出，在語言生成任務(wù)上也更優(yōu)。

對(duì)此，AI21 Labs產(chǎn)品負(fù)責(zé)人Dagan表示——

雖然也有一些SSM模型的初步樣例，但Jamba是第一個(gè)生產(chǎn)規(guī)模的商業(yè)級(jí)模型。

在他看來，Jamba除了創(chuàng)新性和趣味性可供社區(qū)進(jìn)一步研究，還提供了巨大的效率，和吞吐量的可能性。

目前，Jamba是基于Apache 2.0許可發(fā)布的，使用限制較少但不能商用。后續(xù)的微調(diào)版本，預(yù)計(jì)會(huì)在幾周內(nèi)推出。

即便還處在研究的早期階段，但Dagan斷言，Jamba無疑展示了SSM架構(gòu)的巨大前景。

「這種模型的附加價(jià)值——無論是因?yàn)槌叽邕€是架構(gòu)的創(chuàng)新——都可以很容易地安裝到單個(gè)GPU上?！?/span>

他相信，隨著Mamba的繼續(xù)調(diào)整，性能將進(jìn)一步提高。

參考資料：

https://www.ai21.com/blog/announcing-jamba

https://techcrunch.com/2024/03/28/ai21-labs-new-text-generating-ai-model-is-more-efficient-than-most/