摘要

状态空间模型（State Space Models, SSMs）在某些模态的序列建模任务中已展现出前沿性能，但在语言建模任务中仍逊于注意力机制（attention）。尽管SSMs的计算复杂度随序列长度近似线性增长（而非注意力机制的二次增长），但由于硬件利用率低下，其实际运行速度仍慢于Transformer模型。本文在两个方面取得进展：一是深入理解SSMs与注意力机制在语言建模中的表达能力差距，二是降低SSMs与注意力机制之间的硬件性能壁垒。首先，我们通过设计合成语言建模任务来探究SSMs与注意力机制之间的性能差距。研究发现，现有SSMs在两项关键能力上存在明显不足：难以回忆序列中较早出现的词元（token），以及难以对序列中不同位置的词元进行有效比较。为解决这一问题，我们提出一种新型SSM层——H3，该结构专门针对上述两种能力进行优化设计。实验表明，H3在合成语言任务中可达到与注意力机制相当的性能，并在OpenWebText数据集上将困惑度（PPL）提升至仅比Transformer低0.4的水平。此外，我们构建了一种参数量为1.25亿的混合模型（H3-attention），该模型仅保留两个注意力层，却在OpenWebText上比标准Transformer模型的PPL进一步降低1.0，表现更优。其次，为提升SSMs在现代硬件上的训练效率，我们提出FlashConv。FlashConv采用融合块快速傅里叶变换（block FFT）算法，在序列长度达8K以内时显著提升计算效率；同时引入一种新颖的状态传递机制，充分利用SSMs的递归特性，从而支持更长序列的高效处理。在长序列基准测试（Long-Range Arena）中，FlashConv实现2倍加速，使混合语言模型的文本生成速度比Transformer快2.4倍。借助FlashConv，我们将混合H3-attention语言模型扩展至27亿参数规模，并在Pile数据集上进行训练，初步结果表现优异：在困惑度方面优于Transformer模型，并在SuperGLUE基准测试的多数零样本（zero-shot）与少样本（few-shot）任务中实现超越Transformer的性能。