LLM 中的长文本问题

近期，随着大模型技术的发展，长文本问题逐渐成为热门且关键的问题，不妨简单梳理一下近期出现的典型的长文本模型：

• 10 月上旬，Moonshot AI 的 Kimi Chat 问世，这是首个支持 20 万汉字输入的智能助手产品；

• 10 月下旬，百川智能发布 Baichuan2-192K 长窗口大模型，相当于一次处理约35 万个汉字；

• 11 月上旬，OpenAI 发布支持 128K 上下文窗口的 GPT-4 Turbo 模型；

• 11 月下旬，Anthropic 发布支持 200K 上下文窗口的 Claude 2.1 模型;

• 12 月上旬，零一万物开源了长文本模型 Yi-6B-200K和 Yi-34B-200K。

实际上，随着文本长度的提高，模型能够处理问题的边界也大大提高，因此研究并解决长文本问题就显得非常必要。本文将从长文本问题的本质出发，逐步分析和研究长文本实现的问题及解决办法。

一、长文本的核心问题与解决方向

1.1 文本长度与显存及计算量之关系

要研究清楚长文本的问题，首先应该搞清楚文本长度在模型中的地位与影响。那么我们便以 Decoder-base 的模型为例来进行分析

1.1.1 模型参数量

Decoder-base 的模型主要包括 3 个部分：embedding, decoder-layer, head。

其中最主要部分是decoder-layer，其由 lll 个层组成，每个层又分为两部分：self-attention 和 MLP。

self-attention的模型参数有、、的权重矩阵 、、及bias，输出矩阵  及bias，4个权重矩阵的形状为 （ 表示 hidden_size），4个bias的形状为  。则 self- attention 的参数量为 。

MLP由2个线性层组成，一般地，第一个线性层是先将维度从  映射到  ，第二个线性层再将维度从映射到。第一个线性层的权重矩阵  的形状为  ，偏置的形状为 。第二个线性层权重矩阵 的形状为  ，偏置形状为  。则 MLP 的参数量为  。

self-attention 和MLP各有一个layer normalization，包含了2个可训练模型参数：缩放参数γ和平移参数β，形状都是。2个layer normalization的参数量为 。

由此，每个Decoder层的参数量为。

此外，embedding和head 的参数量相同，与词表相关，为（如果是 Tied embedding，则二者共用同一个参数）。由于位置编码多样，且参数量小，故忽略此部分。

综上， 层模型的可训练模型参数量为 。当 较大时，可以忽略一次项，模型参数量近似为。

1.1.2 计算量估计

如果说参数量是模型的固有属性，那么计算量便是由模型和输入共同决定，下面分析这一过程。假设输入数据的形状为  （ 表示batch_size,表示sequence_length）。

先分析Decoder中self-attention的计算量，计算公式如下：

1. 计算：矩阵乘法的输入和输出形状为。计算量为。

2. 矩阵乘法的输入和输出形状为

   

   计算量为。

3. 计算在上的加权，矩阵乘法的输入和输出形状为

   

   计算量为 。

4. attention后的线性映射，矩阵乘法的输入和输出形状为.计算量为。

接下来分析MLP块的计算，计算公式如下：

1. 第一个线性层，矩阵乘法的输入和输出形状为 。计算量为 。

2. 第二个线性层，矩阵乘法的输入和输出形状为 。计算量为。

将上述计算量相加，得到每个Decoder层的计算量大约为。

此外，另一个计算量的大头是logits的计算，将隐藏向量映射为词表大小。矩阵乘法的输入和输出形状为，计算量为。

因此，对于一个 lll 层的模型，输入数据形状为的情况下，一次前向计算的计算量为。

1.1.3 文本长度与计算量、参数量、显存的关系

忽略低次项，一次输入的tokens数为bs， 则计算量与参数量的关系为  在实际中通常 ，因此该项可近似认为约等于2。即在一次前向传递中，对于每个token，每个模型参数，需要进行2次浮点数运算(一次乘法法运算和一次加法运算)。考虑到后向传递的计算量是前向传递的2倍。因此一次训练迭代中，对于每个 token，每个模型参数，需要进行  次浮点数运算。

通过以上分析，我们可以得到结论：计算量主要和模型参数和 token 数相关，文本长度并不会显著增加计算量。那么这就引出另一个问题：文本长度与显存的关系。

除了模型参数、梯度、优化器状态外，占用显存的大头就是前向传递过程中计算得到的中间激活值。这里的激活（activations）指的是：前向传递过程中计算得到的，并在后向传递过程中需要用到的所有张量。

先分析 Decoder layer 中 self-attention 的中间激活：

1. 对于  ，需要保存它们共同的输入 ，这就是中间激活。输入  的形状为 ，元素个数为  ，占用显存大小为 。

2. 对于  矩阵乘法，需要保存中间激活 ，两个张量的形状都是 ，占用显存大小合计为 。

3. 对于  函数，需要保存函数的输入 ，占用显存大小为 ，这里的  表示注意力头数。

4. 计算完  函数后，会进行dropout操作。需要保存一个mask矩阵，mask矩阵的形状与  相同，占用显存大小为 。

5. 计算在  上的attention，即 ，需要保存 score ，大小为 ；以及 ，大小为 。二者占用显存大小合计为 。

6. 计算输出映射以及一个dropout操作。输入映射需要保存其输入，大小为 ；dropout需要保存mask矩阵，大小为 。二者占用显存大小合计为 。

因此，将上述中间激活相加得到，self-attention的中间激活占用显存大小为 。接下来分析分析Decoder layer中MLP的中间激活：

1. 第一个线性层需要保存其输入，占用显存大小为 。

2. 激活函数需要保存其输入，占用显存大小为 。

3. 第二个线性层需要保存其输入，占用显存大小为 。

4. 最后有一个dropout操作，需要保存mask矩阵，占用显存大小为 。

对于MLP块，需要保存的中间激活值为 。

另外，self-attention块和MLP块分别对应了一个layer normalization。每个layer norm需要保存其输入，大小为 。2个layer norm需要保存的中间激活为 。

综上，每个层需要保存的中间激活占用显存大小为 。对于  层transformer模型，还有embedding层、最后的输出层。embedding层不需要中间激活。总的而言，当隐藏维度  比较大，层数  较深时，这部分的中间激活是很少的，可以忽略。因此，对于  层模型，中间激活占用的显存大小可以近似为 ，这个结果与文本长度关系密切。

下面以GPT3-175B为例，对比下文本长度对模型参数与中间激活的显存大小的影响。假设数据类型为 FP16 。

模型名	参数量	层数	隐藏维度	注意力头数
GPT3	175B	96	12288	96

GPT3的模型参数量为175B，占用的显存大小为 。GPT3 模型需要占用350GB的显存。

假设 GPT3 输入的 。对比不同的文本长度下占用的中间激活：

当  时，中间激活占用显存为

，大约是模型参数显存的0.79倍;

当  时，中间激活占用显存为

，大约是模型参数显存的2.68倍。

可以看到长度仅仅到 4K，显存占用就出现了剧烈增加，同时 GPU onchip 的 memory 就显得更加捉襟见肘(因此也就出现了 FlashAttention 这类算法)。因此如何解决长文本带来的巨量显存开销成为关键及核心问题。

1.2 长文本问题的解决思路

当前，为了实现更长长文本的支持，解决思路主要可以分为两个阶段：

• 阶段一：在预训练阶段尽可能支持更长的文本长度
  为实现这一阶段目标，通常采用并行化 (parallelism) 方法将显存占用分摊到多个 device，或者改造 attention 结构，避免显存占用与文本长度成二次关系。

• 阶段二：在 SFT 或推理阶段尽可能外推到更大长度
  为实现这一阶段目标，通常也是需要在两个方面进行考虑：

  • 对位置编码进行外推

  • 优化 At