本文是LLM系列文章,针对《WORLD MODEL ON MILLION-LENGTH VIDEO AND LANGUAGE WITH RINGATTENTION》的翻译。
具有RingAttention的百万长视频和语言的世界模型
摘要
目前的语言模型无法理解世界上不容易用语言描述的方面,并且难以处理复杂、冗长的任务。视频序列提供了语言和静态图像中没有的有价值的时间信息,这使得它们对与语言的联合建模具有吸引力。这样的模型可以发展对人类文本知识和物理世界的理解,从而实现更广泛的人工智能能力来帮助人类。然而,由于内存限制、计算复杂性和数据集有限,从数百万视频和语言序列的标记中学习带来了挑战。为了应对这些挑战,我们策划了一个由不同视频和书籍组成的大型数据集,利用RingAttention技术对长序列进行可伸缩训练,并将上下文大小从4K逐渐增加到1Mtoken。本文的贡献如下:
(a) 最大上下文大小的神经网络:我们在长视频和语言序列上训练最大的上下文大小Transformer之一,在困难的检索任务和长视频理解中设定新的基准。(b) 克服视觉语言训练挑战的解决方案,包括使用掩码序列打包来混合不同的序列长度,损失加权来平衡语言和视觉,以及为长序列聊天建模生成的QA数据集。(c) 具有RingAttention、掩码序列打包和其他关键功能的高度优化实现,用于在数百万长度的多模式序列上进行训练。(d