【新智元导读】
超越Transformer和Mamba的新架构，刚刚诞生了。斯坦福UCSD等机构研究者提出的TTT方法，直接替代了注意力机制，语言模型方法从此或将彻底改变。
一觉醒来，超越Transformer和Mamba的新架构诞生了？
斯坦福、UCSD、UC伯克利和Meta的研究人员提出了一种全新架构，用机器学习模型取代RNN的隐藏状态。
论文地址：https://arxiv.org/abs/2407.04620
这个模型通过对输入token进行梯度下降来压缩上下文，这种方法被称为「测试时间训练层（Test-Time-Training layers，TTT）」。
TTT层直接替代了注意力机制，解锁了具有表现力记忆的线性复杂度架构，使我们能够在上下文中训练包含数百万（未来可能是数十亿）个token的LLM。
作者相信，这个研究了一年多的项目，将从根本上改变我们的语言模型方法。
而结果证明，TTT-Linear和TTT-MLP直接赶超或击败了最强的Transformer和Mamba！
作者之一的Xiaolong Wang惊喜地表示：不敢相信，我们真的做到了。
更令人兴奋的是，虽然目前TTT只应用于语言建模，但在未来，它也可以用在长视频上，可谓前景远大。
在将来，当我们对长视频进行建模时，就可以对帧进行密集采样，而不是采样1FPS了。这些密集帧对Transformer是一种负担，但对于TTT层来说，这却是一种福音！
作者表示，在过去的1.5年里，团队一直在开发一种新的LLM架构，可以具有线性复杂度和更强的隐藏状态，用于长上下文建模。
而这个测试时训练（TTT）的想法，已经研究了超过5年。
Xiaolong清晰记得，在刚开始做博士后时，Alyosha曾让自己去找Yu Sun讨论TTT。
这次会面，就是这项研究的起点。
序列模型会把历史上下文存储在一个隐藏状态中。
像Mamba这样的RNN层，会随着时间的推移压缩成一个固定大小的状态，它们虽然效率很高，但性能受限于其表达能力。
注意力机制有一个KV缓存，它会随着时间的推移不断增长。这个状态不会压缩任何历史上下文，但随着上下文长度的增加，成本也会越来越高。
团队成员想：既然这样，为什么不把上下文压缩到模型的权重中——就像LLM处理互联网数据那样呢？
这种「隐藏状态模型」既能在时间上保持固定大小，又能大大增强表达能力。
研究人员使用了自监督学习来更新隐藏状态的权重，对每个token进行一次梯度下降。在处理一个序列时，该状态已经在其上下文窗口中的token上「训练」过了。
值得注意的是，隐藏状态只存在于端到端架构中的一层。其他组件，比如QKV投影矩阵，是在预训练期间通过标准的交叉熵目标函数学习的。
因此，端到端架构实际上是在进行元学习，寻找压缩上下文的最佳方式，以便更好地预测下一个token，也就是在「学习如何在测试时学习」。
结果显示，与Mamba相比，TTT-Linear具有更好的困惑度和更少的FLOP（左），并且更好地利用了长上下文（右）。
下图显示了批大小为16的情况下，随着上下文长度的变化，每个token的前向时间（延迟）。所有模型的参数都是1.3B（Mamba为1.4B）。
可以看到，随着上下文长度的增加，Transformer每个token的前向时间呈线性增长，但其他两种方法的前向时间基本保持不变。
在8k上下文时，TTT-Linear比Transformer更快，与Mamba相当。
2020年，OpenAI缩放定律论文表明LSTM（RNN的一种）无法像Transformer那样进行缩放，或有效地使用长上下文。
真的是这样吗？
在这个项目中，研究人员重新评估了图2中的这些发现。
在左侧，可以观察到Mamba（当今最流行的RNN之一）的扩展性与强大的Transformer类似，这是自2020年的LSTM以来显示出的巨大进步。
然而，在右侧，可以观察到与OpenAI相同的Mamba问题。
平均而言，序列中靠后的token应该更容易预测，因为它们以更多信息为条件。
对Transformer来说确实如此，每个token索引的平均复杂度在其32k上下文中不断减少。相比之下，Mamba在16k后就出现了同样的情况。
对于现有的RNN来说，这个结果代表了一个尴尬的现实——
一方面，RNN（相对于Transformer）的主要优势就是它们的线性（相对于二次）复杂性。这种渐进优势实际上只会在长上下文中实现。
另一方面，一旦上下文足够长，现有的RNN（如Mamba）就很难真正利用额外的条件信息。
长上下文的困难是RNN层本质上的问题：与自注意力机制不同，RNN层必须将上下文压缩为固定大小的隐藏状态。
作为一种压缩启发式，更新规则需要发现成千上万甚至数百万个token之间的底层结构和关系。
研究人员首先观察到，自监督学习可以将大量训练集压缩为LLM等模型的权重，该模型通常表现出对其训练数据之间语义联系的深刻理解，而这，恰恰是他们所需要的。
TTT层
受此启发，研究人员设计了一类新的序列建模层，其中隐藏状态是模型，更新规则是自监督学习的一个步骤。
由于更新测试序列上隐藏状态的过程，相当于在测试时训练模型，因此此类新层称为测试时训练（TTT）层。
研究人员引入两个简单的实例：TTT-Linear和TTT-MLP，其中隐藏状态分别是线性模型和两层MLP。TTT层可以集成到任何网络架构中并进行端到端优化，类似于RNN层和自注意力。
实际运行时间
TTT层在FLOP方面已经非常高效，研究人员则更进一步地提出了两项创新，使其在实际运行时间内也能保持高效。
首先，与在常规训练中对mini-batch序列采取梯度步进以实现更好的并行性类似，他们也在TTT中使用了mini-batch的token。
其次，研究人员为每个TTT mini-batch内的操作开发了一种对偶形式，以更好地利用现代GPU和TPU。这种对偶形式的输出与原始实现相当，但训练速度却快了5倍以上。
正如图3所示，TTT-Linear在8k上下文中比Transformer更快，并且与Mamba相当。
如图4所示，所有的序列建模层，都可以从将历史上下文存储到隐藏状态的角度来看待。
比如，RNN层——如LSTM、RWKV和Mamba层——将上下文压缩成一个固定大小的状态，这个状态随时间变化。
这种压缩带来了两种结果：优势是处理效率高，因为每个token的处理时间是恒定的。劣势是在处理长上下文时，RNN性能受限于隐藏状态的「表达能力」。
自注意力机制（Self-attention）也可以从如上角度来理解。
不同之处在于，它的隐藏状态，通常称为键值（KV）缓存是一个随t增长的线性list。
它可以存储所有的上下文，并且不会进行压缩，具有很好的表达能力，不过其处理时间随上下文长度线性增长。
因此，为了在长上下文中既保持效率，又具有表达能力，需要一个更好的「压缩启发式」（compression heuristic）方法。
具体来说，就需要将数百万个token压缩成一个能有效捕捉其底层结构和关系的隐藏状态。
TTT隐藏状态
研究人员的关键思想是，使用自监督学习来将历史上下文
压缩成一个隐藏状态
。
方法是将上下文视为一个无标签数据集，而将状态视为一个模型。
具体来说，隐藏状态
现在等同于一个模型f的权重
，这个模型f可以是线性模型、小型神经网络或其他任何形式。输出规则简单地表示为：
直观讲，输出token就是由更新后权重
的模型f对
所做的预测。更新规则是在某个自监督损失ℓ上进行的一步梯度下降：
其中学习率为η。从压缩的角度来看，每种启发式方法都需要决定记住/忘记哪些输入。W会记住那些产生大梯度的输入——直观地说，就是那些使W学习很多的输入。
ℓ的一种选择是重构
本身。为了使学习问题变得非平凡，作则首先将
处理成一个被破坏的输入
，然后优化：
类似于去噪自编码器，f需要发现
各维度之间的相关性，以便从部分信息
中重构出
。
如图5所示，梯度下降能够减少ℓ，但无法将其降至零。
与其他RNN层和自注意力机制一样，研究人员将输入序列
映射到输出序列
的算法可以被编程到序列建模层的前向传播中，使用上述的隐藏状态、更新规则和输出规则。
即使在测试时，新层仍然为每个输入序列训练一个不同的权重序列
。
因此，研究人员将其称之为测试-时间训练层（TTT）。
使用TTT层训练神经网络
TTT层的前向传播，也有相应的后向传播。
TTT层与RNN层、自注意力机制有着相同的接口，因此可以在任何更大的神经网络架构中替换它们。
值得一提的是，训练带有TTT层神经网络的方式，与训练任何其他Transformer模型相同。
可以使用相同的数据、方法和目标（如下一个token预测）来优化网络其余部分的参数。
在此，研究人员将训练更大的神经网络称为外循环（outer loop），而在每个TTT层内训练W称为内循环（inner loop）。
它们之间梯度计算的区别是，内循环针对的是W（即模型f的参数），外循环针对的是网络其余部分的参数
。
TTT学习自监督任务
可以说，TTT最重要的部分是自监督任务，因为它决定了W从测试序列中学习的特征类型。
在这个任务的设计上，研究人员采取了更加端到端的方法——直接优化自监督任务以实现下一个token预测的最终目标。
具体来说，研究着将自监督任务的学习，作为外循环的一部分。
从如上公式3中的简单重构任务开始，添加了一些外循环参数来让这个任务可学习。最新的自监督损失是：
在内循环中，只有W被优化，因此作为ℓ的参数写出；θ们是这个损失函数的「超参数」。在外循环中，
与
一起被优化，而W仅仅是一个隐藏状态，不是参数。
图6用代码说明了这种区别，其中
和
被实现为TTT层的参数，类似于自注意力中的KV参数。
总的来说，
所有可能的选择构成了一系列多视图重构任务，外循环可以被理解为从这个任务组中选择一个具体任务。为了简单起见，研究人员在这里将所有视图设计为线性投影。
mini-batch TTT并行化
目前，开发的原生TTT层在浮点运算（FLOP）次数方面已经非常高效。
然而，其更新规则
无法实现并行化，因为
在两个位置上依赖于
：负号和
。
对此，研究人员提出了mini-batch梯度下降，用b表示TTT批大小。
研究中使用
，其中
代表着前一个mini-batch的最后一个时间步（或者第一个mini-batch 0），因此，可以一次并行b个梯度计算。
对偶形式
上面介绍的并行化是必要的，但对于「实际运行时间」（wall-clock time）的效率来说还不够。
正如之前所述，可以对于t = 1, . . . , b进行并行计算：
然而，现实中，是无法对单个matmul来计算
所有的b。
相反，需要b个外积来对其进行一一计算。更糟糕的是，对于每个
，
是d×d，这会比大d
产生更大的内存占用和I/O成本。
为了解决这两个问题，研究人员观察到：我们实际上并不需要具体化G1, . . . , Gb，只要要我们可以在mini-batch结束时计算
，并且输出token z1, . . . , zb（如上图7所示）。
现在，就可以用上面简化的TTT-Linear情况来演示这些计算，表示X = [x1, . . . , xb]：
所以
可以用matmul方便地计算出来。为了计算Z = [z1, . . . , zb]，我们知道：
表示
和矩阵
，可以得出：
如上过程，研究人员将其称为「对偶形式」。
理论等价
前面已经提到f可以是线性模型，也可以是神经网络。还有更新规则的三种变体：online GD、batch GD和mini-batch GD。
如下图所示，在这些2×3组合中，每一种都会引起TTT层的不同实例化。
研究中，作者分别从2个定理证明了在这些诱导实例中，具有线性模型和batch GD的TTT层等同于线性注意力——一个广为人知的RNN层。
图10总结了所有序列建模层的更广泛范围内TTT层的一般定义。
两种变体
研究中，作者提出了TTT层的两种变体TTT-Linear和TTT-MLP，仅在f的实例化方面有所不同。
对于TTT-Linear，
，其中W是平方。对于TTT-MLP，
有两层，类似于Transfomer的MLP。
具体来说，隐藏维度是4×输入维度，然后是GELU激活。为了在TTT期间获得更好的稳定性，f始终包含层归一化 (LN) 和残差连接。
即，
，
其中，
可以是
