新智元报道
编辑：编辑部
【新智元导读】 TII开源全球第一个通用的大型Mamba架构模型Falcon Mamba 7B，性能与Transformer架构模型相媲美，在多个基准测试上的均分超过了Llama 3.1 8B和Mistral 7B。
今天，阿布扎比支持的技术创新研究所(TII) 开源了全球第一个通用的大型Mamba架构模型——Falcon Mamba 7B。
虽然之前，但仅针对编码；Falcon Mamba则是通用模型，能够处理各种文本生成任务。
它是继Falcon 180B、Falcon 40B和Falcon 2之后TII的第四个开放模型，与Falcon系列之前的型号不同，Falcon Mamba 7B完全采用SSLM架构而不是传统的Transformer架构。
横空出世后，体现出了内存效率方面的显著优势，无需额外的内存需求即可生成大量文本。
如今，SSLM正在逐渐蚕食Transformer架构原本「大一统」的地位。
测评数据显示，Falcon Mamba 7B性能已经超越同尺寸级别的领先模型，例如Meta最新开源模型Llama 3.1 8B和Mistral 7B。
Falcon Mamba 7B将根据TII Falcon License 2.0发布，这是一个基于Apache 2.0的许可证，其中包括促进负责任地使用人工智能的使用政策。
Falcon Mamba 7B有什么特别之处？
虽然Transformer模型仍然主导着AI大模型领域，但研究人员指出，该架构在处理较长文本时可能会遇到困难。
Transformer的自注意力机制（Self-Attention）让模型可以关注输入序列中的所有位置，并为每个位置分配不同的注意力权重。
这使得模型能够更好地处理长距离的依赖关系，也就是说，对于句子中距离较远的单词，模型也能有效地捕获其关系。
这种通过比较文本中每个token来理解上下文的方式，需要更多的计算能力和内存来处理不断增长的上下文窗口。
如果资源没有相应扩展，推理速度会变慢，最终无法处理超过某个固定长度的文本。
为了解决这些难题，状态空间语言模型（SSLM）架构应运而生，该架构通过在处理单词时持续更新「状态」，已成为一种有前途的替代方案。它已经被一些组织部署，TII是最新的采用者。
这个全新的Falcon模型正是使用了CMU和普林斯顿大学的研究人员。
论文地址：https://arxiv.org/pdf/2312.00752
该架构使用选择机制，使模型能够根据输入动态调整其参数。
通过这种方式，模型可以专注于或忽略特定输入，类似于Transformer中的注意力机制，但同时具备处理长文本序列（如整本书）的能力，而无需额外的内存或计算资源。
TII指出，这种方法使模型适用于企业级机器翻译、文本摘要、计算机视觉、音频处理以及估计和预测等任务。
首个通用大规模Mamba模型
上面提到，基于注意力机制的Transformer是当今所有最强大语言模型中占主导地位的架构。然而，由于计算和内存成本随着序列长度的增加而增加，注意力机制在处理长序列时存在根本限制。
各种替代架构，特别是SSLM，试图解决序列扩展限制，但性能不及最先进的Transformer。
Falcon Mamba模型在不损失性能的前提下，可以突破序列扩展限制。
Falcon Mamba基于去年12月提出的第一版Mamba架构，增加了RMS归一化层以确保在大规模训练中保持稳定性。
这种架构选择确保了Falcon Mamba模型：
- 可以在不增加任何内存存储的情况下处理任意长度的序列，特别是可以在单张A10 24GB GPU上运行；
- 无论上下文大小，生成新token所需的时间恒定。
模型训练
在大部分训练中使用了恒定的学习率，随后进行了一个较短的学习率衰减阶段。
在最后阶段，还加入了一小部分高质量的精选数据，以进一步提升模型性能。
性能评估
使用lm-evaluation-harness包对新排行榜版本的所有基准测试进行模型评估，然后使用HuggingFace分数归一化处理评估结果。
如下图所示，Falcon Mamba 7B获得15.04的均分，超过Llama 3.1 8B 13.41分和Mistral 7B 14.50分。
此外，还使用了lighteval对大语言模型排行榜第一版的基准测试进行评估。
可以看到，Falcon Mamba 7B仅次于Transformer架构的Falcon 2 11B，分数仍然超过Gemma、Llama、Mistral等同等规模的知名模型。
处理大规模序列
理论上来说，SSM模型在处理大规模序列时具有效率优势。
为了验证模型的大规模序列处理能力，使用optimum-benchmark库，对Falcon Mamba和流行的Transformer模型在内存使用和生成吞吐量方面进行了比较。
为了公平比较，将所有Transformer模型的词汇大小调整为与Falcon Mamba一致，因为这对模型的内存需求有很大影响。
在查看结果之前，先讨论序列中提示词（预填充）和生成（解码）部分的区别。
预填充的细节对于SSM而言，比对于Transformer模型更为重要。
当Transformer生成下一个token时，它需要关注上下文中所有先前token的键和值，这意味着内存需求和生成时间都会随着上下文长度线性增长。
而SSM仅关注并存储其递归状态，因此在生成大规模序列时不需要额外的内存或时间。
虽然这解释了SSM在解码阶段相对于Transformer的优势，但在预填充阶段需要使用新方法来充分利用SSM架构。
预填充的标准方法是并行处理整个提示词以充分利用GPU。这种方法在optimum-benchmark库中使用，我们称之为并行预填充。
并行预填充需要将提示词每个token的隐藏状态存储在内存中。对于Transformer，这额外的内存主要由存储的KV缓存占据。
对于SSM模型，不需要缓存，存储隐藏状态的内存成为唯一与提示词长度成比例的部分。
因此，内存需求将随提示词长度增长，SSM模型将失去处理任意长序列的能力，类似于Transformer。
并行预填充的替代方法是逐个处理token提示词，我们称之为顺序预填充。
类似于序列并行处理，它也可以大规模地处理提示词，而不是单个token，以更好地利用GPU。
虽然顺序预填充对Transformer意义不大，但它为SSM模型带来了处理任意长提示词的可能性。
考虑到这些观点，实验首先测试了可以在单个24GB A10 GPU上适应的最大序列长度。
其中，批大小固定为1，使用float32精度。
即使在并行预填充中，Falcon Mamba也能适应比Transformer更大的序列，而在顺序预填充中发挥了全部潜力，可以处理任意长度的提示词。
接下来，在提示词长度为1，生成token数量最多为130k的情况下测量生成吞吐量，使用批大小为1，并在H100 GPU上进行。
结果如图所示。可以观察到，Falcon Mamba在生成所有token时保持恒定的吞吐量，且GPU峰值内存没有增加。
而对于Transformer模型，随着生成token数量的增加，峰值内存增加，生成速度变慢。
如何使用？
Falcon Mamba架构将在HuggingFace transformers库的下一个版本（4.45.0以上）中提供。
使用Falcon Mamba 7B模型，需要安装最新版本的HuggingFace transformers，或从源代码安装库。
Falcon Mamba与HuggingFace提供的大多数API兼容，这些API已经比较熟悉，例如：
transformers AutoModelForCausalLM, AutoTokenizer model_id = tokenizer = AutoTokenizer.from_pretrained(model_id) model = AutoModelForCausalLM.from_pretrained(model_id, torch_dtype=, device_map=) inputs = tokenizer(, return_tensors=).to() output = model.generate(**inputs, max_new_tokens=, do_sample=) (tokenizer.decode(Output[], skip_special_tokens=))它还支持例如bitsandbytes库量化这样的功能，以便在GPU内存较小的情况下运行模型，例如：
此外，还推出了Falcon Mamba的指令微调版本，该版本经过额外50亿个token的监督微调（SFT），这种扩展训练提高了模型在执行指令任务时的精确性和有效性。
transformers AutoModelForCausalLM, AutoTokenizer, BitsAndBytesConfig model_id = tokenizer = AutoTokenizer.from_pretrained(model_id) quantization_config = BitsAndBytesConfig(load_in_4bit=) model = AutoModelForCausalLM.from_pretrained(model_id, quantization_config=quantization_config) inputs = tokenizer(, return_tensors=).to() output = model.generate(**inputs, max_new_tokens=, do_sample=) (tokenizer.decode(output[], skip_special_tokens=))可以通过展示体验该指令模型的功能，对于聊天模板，可以使用以下格式：
im_start promptim_end im_startassistant用户还可以直接使用基础模型和指令模型的4-bit转换版本，但要保证GPU与bitsandbytes库兼容，才能运行量化模型。
用户还可以通过torch.compile获得更快的推理速度，加载模型后，只需调用model = torch.compile(model)。
参考资料：
https://huggingface.co/blog/falconmamba
https://venturebeat.com/ai/falcon-mamba-7bs-powerful-new-ai-architecture-offers-alternative-to-transformer-models/
https://medium.com/@puneetthegde22/mamba-architecture-a-leap-forward-in-sequence-modeling-370dfcbfe44a
视觉技术领域迎来了一项重大突破，名为视觉Mamba（Vision Mamba，Vim）的新型模型在性能和效率上实现了显著提升。 在ImageNet分类、COCO对象检测和ADE20k语义分割任务中，Vim相较于成熟的DeiT等Transformer模型，不仅在性能上有所超越，还提高了计算和内存使用效率。 在处理高分辨率图像时，Vim在批量推理特征提取上比DeiT快2.8倍，节省86.8%的GPU内存。 这表明，Vim克服了Transformer处理高分辨率图像时的计算和内存限制，具有成为下一代视觉基础模型的潜力。 Vim的成功源于其基于状态空间模型（SSM）的设计，相较于Transformer，SSM在捕捉远程依赖关系上更为高效。 研究者们借鉴Mamba的优势，提出了一种结合双向SSM和位置嵌入的Vision Mamba块，解决了视觉任务中单向建模和位置感知的挑战。 在实验中，Vim在ImageNet分类任务中表现出色，且在GPU内存和推理时间上更胜一筹。 此外，与基于SSM的S4ND-ViTB相比，Vim在参数减少3倍的情况下保持了类似性能。 在图像分类、语义分割和目标检测等任务中，Vim显示出明显的优势，包括更高的准确率和更优的内存使用。 尽管在某些复杂任务中附加了特征金字塔网络，Vim的效率优势依然明显。 这预示着Vim将为高分辨率视觉应用和长序列多模态任务带来新的可能。
