MetaAI新突破：Transformer潜藏意识仅3%算力实现55%性能跃升

这项研究给予我们一个深刻的启示：即便Transformer架构在今天已经相当成熟，我们只需对其核心的自回归机制进行微小却精准的改进，依旧能够带来令人意想不到的性能飞跃。

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

来自Meta FAIR部门的研究员François Fleuret发布了一篇题为《The Free Transformer》的论文，提出了一种对现有解码器Transformer模型的巧妙扩展。

这项创新技术的精髓在于，它让模型在生成每个词汇之前，能够在内部形成一个类似计划草案的潜在决策，而不再像传统方式那样边写边想。

实验数据证实，这种先规划后执行的模式，在编程、数学和推理等各类任务中都带来了显著的性能提升。

AI写作的模式局限

我们现在所熟知的解码器Transformer，例如GPT系列模型，在生成文本时采用逐词递进的方式。它预测下一个词汇时，完全依赖于已经生成的所有前文内容。

假设我们要训练一个模型来撰写影评，而评论又分为正面和负面两类。

一个标准的解码器Transformer自然能够学会书写这两种评论。但它的工作机制是逐字逐句地输出文本——模型可能在写了几句话之后，根据已经表达的关于这部电影的观点，来判断接下来应该继续赞美还是转为批评。

它并没有一个全局性的、事先确定的决策机制：比如我现在要写一篇负面评论。这种正面或负面的概念，实际上是随着文字生成过程，隐含在概率计算中的后续推断。

这种方式存在几个潜在的问题。

它需要模型具备极大的容量和复杂的计算能力，才能从已生成的零散词汇中，反推出一个整体的意图，这种操作效率非常低下。

如果在生成过程的早期，出现了几个存在偏差、模棱两可或者前后矛盾的用词，整个生成过程就可能偏离方向，后续内容也难以调整回来。

关键的概念，比如正面或负面，并非由模型主动构建，而是在拟合训练数据时被动形成的。这使得模型在面对分布以外的数据时，可能表现得相当脆弱。

Free Transformer为模型赋予自主规划能力

Free Transformer的核心思路是，在模型的自回归生成过程中，引入一些额外的、不受训练样本直接控制的随机变量，让模型能够依据这些变量来动态调整文本的生成。

回到电影评论的例子。模型可以首先使用一个内部的随机布尔值，一次性确定接下来要生成的是正面评价还是负面评价。

有了这个全局性的决策机制，模型就不再需要从已经生成的零散词句中费力地推断意图。

实现这个想法，需要借助一种名为变分自编码器（Variational Autoencoder，简称VAE）的框架。

在生成新内容时，操作流程相当简洁：模型先采样一个随机变量Z，然后像普通的Transformer一样，基于这个Z来生成整个序列。

真正的挑战在于训练过程。我们希望模型学会将有意义的信息（例如评论的情感倾向）编码到潜变量Z中。

这就需要一个编码器。在训练时，编码器会读取一个完整的训练样本（比如一篇已有的正面评论），然后生成一个与之匹配的Z。解码器再借助这个Z，尝试去重构原始的评论。

通过联合优化编码器和解码器，模型就学会了如何将序列的全局属性（情感、主题等）压缩进Z，并利用Z来指导生成过程。

这里存在一个关键点：必须限制从编码器流向Z的信息量。否则，编码器可能会耍小聪明，直接把整个原文复制到Z中，解码器就可以轻松完成重构。这在训练时看起来表现完美，但在实际生成时，没有了编码器，模型就束手无策了。

VAE理论通过计算Z的分布与一个标准先验分布之间的KL散度来控制信息量，并将其作为一个惩罚项加入到总的损失函数中。

Free Transformer的结构设计非常巧妙。它并非一个全新的模型，而是对标准解码器Transformer的微小改造。

它将随机噪声Z注入到模型的中间层。

更为精妙的是，编码器直接复用了模型的前半部分网络层，只额外增加了一个非因果关系的Transformer块和两个线性层。

非因果关系意味着这个模块可以同时看到整个输入序列，这对于捕捉全局信息至关重要。

这样的设计，对于一个28层的1.5B模型来说，额外开销大约是1/28，约等于3.6%。而对于一个32层的8B模型，开销约为1/32，即3.1%。

仅用约3%的计算开销，就能带来大幅性能提升，这几乎相当于享用了一顿免费的午餐。

实验结果验证其有效性

为了验证Free Transformer是否真正学会了利用潜变量Z，研究人员设计了一个精巧的合成数据集。

每个数据样本的生成规则如下：以64个下划线_开始。随机选择一个大写字母，在序列的随机位置，用8个该字母组成的目标替换掉下划线。以很小的概率，将任意字符替换为感叹号，作为噪声。在尾部附上一个提示，比如 a>，告知目标字母是什么。

研究人员用这个数据集训练了模型，并设置了不同的KL散度阈值（κ），这个阈值控制了模型可以向Z中注入多少信息量。

结果非常直观。当KL阈值很低时，模型几乎不使用Z，表现与普通Transformer无异（图左上）。所有生成的序列都各不相同。

当阈值稍微提高，模型开始将目标位置信息编码到Z中。在图右上的绿色框里，所有序列共享同一个Z，它们的目标都出现在了相同的位置。

当阈值进一步提高，模型不仅编码了位置，还编码了噪声（感叹号）的模式。图左下的绿色框里，不仅目标位置完全一样，连感叹号出现的位置都完全相同。

当阈值过高时，模型投机取巧，把整个序列的信息都塞进了Z，导致生成了错误的序列（图右下）。

这个实验清晰地证明，Free Transformer确实学会了根据任务需求，自主地将最关键的全剧信息（目标位置、噪声模式）封装到潜变量Z中。

接下来是基于真实世界的基准测试。研究人员使用了1.5B和8B两种规模的模型，与结构相同的标准解码器Transformer进行对比。

为了保证公平，所有超参数都沿用了基线模型的设定，没有为Free Transformer做特殊优化。

结果显示，在需要推理能力的基准任务上，如HumanEval+（代码生成）、MBPP（代码生成）和GSM8K（小学数学应用题），Free Transformer都取得了显著的性能提升。

在8B模型上，当允许每个token引入半比特信息时，性能提升最为明显。

为了验证这种改进在更大规模的训练下是否依然有效，研究团队使用1T（万亿）级别的token训练了8B模型。

结果再次证实了之前的发现。无论是在训练结束时还是在训练后期的平均性能上，Free Transformer在推理、数学和多项选择问答任务中都稳定地优于基线模型。

这项工作的深远意义

Free Transformer以一种极为高效的方式，对标准解码器Transformer的内在偏好进行了改进。

它让模型有能力从训练数据中发现潜在的结构性信息，并利用这些结构来指导内容的生成过程。

在某种意义上，这与思维链或强化学习中的推理模型有异曲同工之妙。后者是在token层面，通过显式的文本来进行推理；而Free Transformer则是在模型的潜在空间中，通过自编码的方式进行一种更深层次的、隐性的规划。

将这两种方法结合起来探索，无疑是一个充满潜力的研究方向。

这项工作还仅仅是一个开端。研究人员指出，模型的训练过程有时不稳定，这可能是编码器和解码器优化过程耦合导致的，未来可以探索不同的优化策略。随机嵌入Z的形式也可以有多种选择。

它在更大规模的模型和数据集上的表现，仍有待进一步探索。

这项研究给予我们的启示是，即使在Transformer架构已经非常成熟的今天，对其核心的自回归机制进行微小却深刻的改造，依然能带来意料之外的性能突破。

AI不仅在学会如何表达，更在学会如何思考。