Mamba超强进化体一举颠覆Transformer！单张A100跑140K上下文

之前引爆了AI圈的Mamba架构，今天又推出了一版超强变体！

人工智能独角兽AI21 Labs刚刚开源了Jamba，世界上第一个生产级的Mamba大模型！

Jamba在多项基准测试中表现亮眼，与目前最强的几个开源Transformer平起平坐。

特别是对比性能最好的、同为MoE架构的Mixtral 8x7B，也互有胜负。

具体来说它——

• 是基于全新SSM-Transformer混合架构的首个生产级Mamba模型
• 与Mixtral 8x7B相比，长文本处理吞吐量提高了3倍
• 实现了256K超长上下文窗口
• 是同等规模中，唯一一个能在单张GPU上处理140K上下文的模型
• 以Apache 2.0开源许可协议发布，开放权重

之前的Mamba因为各种限制，只能做到3B，还被人质疑能否接过Transformer的大旗，而同为线性RNN家族的RWKV、Griffin等也只扩展到了14B。

——Jamba这次直接干到52B，让Mamba架构第一次能够正面硬刚生产级别的Transformer。

Jamba在原始Mamba架构的基础上，融入了Transformer的优势来弥补状态空间模型（SSM）的固有局限性。

可以认为，这实际上是一种新的架构——Transformer和Mamba的混合体，最重要的是，它可以在单张A100上运行。

它提供了高达256K的超长上下文窗口，单个GPU就可以跑140K上下文，而且吞吐量是Transformer的3倍！

与Transformer相比，看Jamba如何扩展到巨大的上下文长度，非常震撼

Jamba采用了MoE的方案，52B中有12B是活跃参数，目前模型在Apache 2.0下开放权重，可以在huggingface上下载。

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

LLM新里程碑

Jamba的发布标志着LLM的两个重要里程碑：

一是成功将Mamba与Transformer架构相结合，二是将新形态的模型（SSM-Transformer）成功提升到了生产级的规模和质量。

当前性能最强的大模型全是基于Transformer的，尽管大家也都认识到了Transformer架构存在的两个主要缺点：

内存占用量大：Transformer的内存占用量随上下文长度而扩展。想要运行长上下文窗口，或大量并行批处理就需要大量硬件资源，这限制了大规模的实验和部署。

随着上下文的增长，推理速度会变慢：Transformer的注意力机制导致推理时间相对于序列长度呈平方增长，吞吐会越来越慢。因为每个token都依赖于它之前的整个序列，所以要做到超长上下文就变得相当困难。

年前，来自卡内基梅隆和普林斯顿的两位大佬提出了Mamba，一下子就点燃了人们的希望。

Mamba以SSM为基础，增加了选择性提取信息的能力、以及硬件上高效的算法，一举解决了Transformer存在的问题。

这个新领域马上就吸引了大量的研究者，arXiv上一时涌现了大量关于Mamba的应用和改进，比如将Mamba用于视觉的Vision Mamba。

不得不说，现在的科研领域实在是太卷了，把Transformer引入视觉（ViT）用了三年，但Mamba到Vision Mamba只用了一个月。

不过原始Mamba的上下文长度较短，加上模型本身也没有做大，所以很难打过SOTA的Transformer模型，尤其是在与召回相关的任务上。

Jamba于是更进一步，通过Joint Attention and Mamba架构，整合了Transformer、Mamba、以及专家混合（MoE）的优势，同时优化了内存、吞吐量和性能。

Jamba是第一个达到生产级规模（52B参数）的混合架构。

如下图所示，AI21的Jamba架构采用blocks-and-layers的方法，使Jamba能够成功集成这两种架构。

每个Jamba块都包含一个注意力层或一个Mamba层，然后是一个多层感知器（MLP）。

Jamba的第二个特点，是利用MoE来增加模型参数的总数，同时简化推理中使用的活动参数的数量，从而在不增加计算要求的情况下提高模型容量。

为了在单个80GB GPU上最大限度地提高模型的质量和吞吐量，研究人员优化了使用的MoE层和专家的数量，为常见的推理工作负载留出足够的内存。

对比Mixtral 8x7B等类似大小的基于Transformer的模型，Jamba在长上下文上做到了3倍的加速。

Jamba将在不久之后加入NVIDIA API目录。

长上下文又出新选手

最近，各大公司都在卷长上下文。

具有较小上下文窗口的模型，往往会忘记最近对话的内容，而具有较大上下文的模型则避免了这种陷阱，可以更好地掌握所接收的数据流。

不过，具有长上下文窗口的模型，往往是计算密集的。

初创公司AI21 Labs的生成式模型就证明，事实并非如此。

Jamba在具有至少80GB显存的单个GPU（如A100）上运行时，可以处理多达140,000个token。

这相当于大约105,000字，或210页，是一本长度适中的长篇小说的篇幅。

相比之下，Meta Llama 2的上下文窗口，只有32,000个token，需要12GB的GPU显存。

按今天的标准来看，这种上下文窗口显然是偏小的。

对此，有网友也第一时间表示，性能什么的都不重要，关键的是Jamba有256K的上下文，除了Gemini，其他人都没有这么长，——而Jamba可是开源的。

Jamba真正的独特之处

从表面上看，Jamba似乎并不起眼。

无论是昨天风头正盛的DBRX，还是Llama 2，现在都已经有大量免费提供、可下载的生成式AI模型。

而Jamba的独特之处，是藏在模型之下的：它同时结合了两种模型架构——Transformer和状态空间模型SSM。

一方面，Transformer是复杂推理任务的首选架构。它最核心的定义特征，就是「注意力机制」。对于每条输入数据，Transformer会权衡所有其他输入的相关性，并从中提取以生成输出。

另一方面，SSM结合了早前AI模型的多个优点，例如递归神经网络和卷积神经网络，因此能够实现长序列数据的处理，且计算效率更高。

虽然SSM有自己的局限性。但一些早期的代表，比如由普林斯顿和CMU提出的Mamba，就可以处理比Transformer模型更大的输出，在语言生成任务上也更优。

对此，AI21 Labs产品负责人Dagan表示——

虽然也有一些SSM模型的初步样例，但Jamba是第一个生产规模的商业级模型。

在他看来，Jamba除了创新性和趣味性可供社区进一步研究，还提供了巨大的效率，和吞吐量的可能性。

目前，Jamba是基于Apache 2.0许可发布的，使用限制较少但不能商用。后续的微调版本，预计会在几周内推出。

即便还处在研究的早期阶段，但Dagan断言，Jamba无疑展示了SSM架构的巨大前景。

「这种模型的附加价值——无论是因为尺寸还是架构的创新——都可以很容易地安装到单个GPU上。」

以上是Mamba超强进化体一举颠覆Transformer！单张A100跑140K上下文的详细内容。更多信息请关注PHP中文网其他相关文章！