只要两行代码+11个小时微调，就能把大模型4k的窗口长度提高到32k。
规模上，最长可以扩展到10万token，一口气就能读完长篇小说的多个章节或中短篇小说。
贾佳亚韩松联合团队提出的这个基于LoRA的全新大模型微调方法，登上了GitHub热榜。
这种方式叫做LongLoRA，由来自香港中文大学和MIT的全华人团队联合出品。
在一台8个A100组成的单机上，增大窗口长度的速度比全量微调快数倍。
网友看了之后不禁表示，这个效率实在是令人印象深刻：
那么，用LongLoRA微调之后，模型会有什么样的变化呢？
一口气读完一部小说
研究团队的实验当中使用的模型是Llama 2。
经过LongLoRA方法微调之后，Llama 2-7B的窗口长度最高可提升到10万token。
实测发现，微调后的模型可以一口气读完一部小说，然后回答各种问题。
比如总结一下大刘在《三体》第三部中体现的中心思想，比总结内容还高出了一个层次。
模型给出的答案是与外星文明首次接触的危险性、星际旅行之困难与人类文明之脆弱，以及团结协作的重要性等内容。
的确每条在原著中都有所体现，而且也比较全面了。
除了对整部作品进行概括提炼，局部内容当然也可以询问。
小说中的角色也能对答如流，比如《西游记》中孙悟空是怎么开花成长的。
模型告诉我们，孙悟空很有智慧，但又有一颗顽皮的心，在伴随唐僧取经的过程中走向了成熟。
这次的总结依旧是很到位。
而且不仅是单个角色，不同人物之间复杂的关系也能了如指掌。
提问的方式可以简单粗暴些，直接要求描述这本书（《哈利波特》）中的人物关系。
模型以哈利·波特为中心，介绍了他的朋友韦斯莱、赫敏，敌人马尔福，以及邓布利多教授等人物。
除了看小说，LongLoRA微调后的Llama还可以读论文，生产力一下子就提高了（喜）。
无论是整体概括还是局部询问，微调后的模型都能准确地给出答案：
△中文部分为谷歌机翻
为了从宏观上把握模型的表现，研究团队用了如下数据集进行了测试：
- PG19：来自书籍的长篇文档数据集，用来测试语言建模效果。
- Proof-pile：来自arXiv的数学论文数据集，用来测试语言建模效果。
- LongQA：作者自行构建的长序列问答数据集，用于有监督的微调。
- LongChat：第三方构建的长对话理解数据集，用来测试长序列叙述理解效果。
结果显示，LongLoRA在PG19和Proof-pile上的困惑度与全量微调接近。
在问答数据集上，LongLoRA微调出的模型表现也很优异，长文本理解方面更是达到了SOTA水平。
当然，LongLoRA的意义不仅在于提高了窗口长度，关键在于用更少的消耗提高了窗口长度。
以7B参数量的Llama-2为例，如果使用全量微调，从4k提升到32k，在一台8个A100的单机上需要五天。
而改用LongLoRA方式，则只用11.3小时就能完成，连半天都不到，效率提升近十倍。
如果提升到65k，全量微调所需时间将超过1000小时，LongLoRA却只用52.4小时。
那么LongLoRA又是怎么做到的呢？
“大而化小”降低计算量
LongLoRA建立在LoRA的基础之上，引入了一种称为“移位短注意力”（shift short attention）的机制。
这种机制只需要两行代码就能实现：
Transformer架构的核心是自注意力（Self-attention）计算。
短注意力就是将训练文本划分为多个组，使自注意力计算在每个组内分别进行，从而达到降低运算量的目的。
而在这一过程中注意力头也被进行了分组，通过注意力头的位移，就实现了组间的信息交互。
划分出的每个组之间有重叠部分，确保了数据可以在全文中流通。
这样一来，每次计算都只需要对组内的token进行操作，运算量大大降低。
除了对输入进行分割之外，LongLoRA相比于Lora还可以微调embedding层和normalization层。
这两项内容占的参数量很小，以Llama 2-7B为例，embedding层只占1.94%，normalization层更是不到十万分之四。
消融实验结果表明，除了核心的Attention层，这两个占比很小的部分也起到了重要作用。
除了核心的短注意力机制，研究团队引入了DeepSpeed和FlashAttention方式，进一步降低了训练消耗。
目前，LongLoRA微调过后不同参数量和窗口长度的Llama 2已经开源，感兴趣的话可以到GitHub页面中查看。
论文地址：https://arxiv.org/abs/2309.12307
GitHub项目页：https://github.com/dvlab-research/LongLoRA
