Transformer自问世后就大放异彩，但有个小毛病一直没解决：
总爱把注意力放在不相关的内容上，也就是信噪比低。
现在微软亚研院、清华团队出手，提出全新改进版Differential Transformer，专治这个老毛病，引起热议。
论文中介绍，整体思路类似差分放大电路或降噪耳机，用两个信号的差值来滤除共模噪声。
具体到在语言模型中，如果句子很长，只有少数token会真正影响当前token的含义。而注意力机制允许每两个词之间产生交互，其中就包含大量噪声了。
团队提出的方法是在注意力层中增加一个Softmax，然后两个Softmax做减法。
这一减，噪音信息就被大幅抵消，让注意力更集中在相关内容上。
语言建模任务上的一系列实验结果显示，仅需约65%的模型大小或训练tokens，DIFF Transformer就能达到与传统Transformer相当的性能。
新架构在长上下文建模、关键信息检索、减少幻觉、提高上下文学习能力以及减少激活异常值等各项指标中，普遍优于Transformer架构。
论文上传到arXiv平台后，有不少学者到弹幕版alphaXiv划线提问。一作Tianzhu Ye正绝赞在线答疑中。
差分Transformer
与传统Tranformer相比，DIFF Transformer保持宏观架构不变，主要区别在于用差分注意力替换传统softmax注意力。
此外还采用了LLaMA系列中的一些改进，如pre-RMSNorm归一化和SwiGLU激活函数。
在差分注意力模块中，需要先给Q和K分成两个组，然后分别计算softmax。
第二组乘了一个标量λ，是可学习的参数，在同一层的注意力头之间共享。
λ的引入是为了在差分操作中平衡两组注意力的贡献，使得差分注意力机制能够更好地适应不同的任务需求和数据分布。
接下来是一系列实验结果。
语言建模评估
在1T tokens上训练3B大小的DIFF Transformer，遵循 StableLM-3B-4E1T的配方，在各种下游任务中与以前训练良好的Transformer模型相比表现出优势。
可扩展性评估
只需约65%的模型参数或训练tokens来匹配Transformer的性能。
长上下文能力评估
在额外1.5B tokens上训练3B大小的DIFF Transformer，扩展上下文长度至64k。
随着上下文长度增加，累计平均负对数似然（NLL）持续降低，并且比传统Transformer的NLL值更低。
表明DIFF Transformer可以有效利用不断增加的上下文。
关键信息检索能力评估
也就是多个“针”的大海捞针试验，设置不同的上下文长度（4K和64K）来模拟不同复杂程度的信息检索场景。
在4K上下文长度下，随着插入 “针” 数量和查询数量的增加，DIFF Transformer的准确率保持稳定，而Transformer 的准确率显著下降。
在64K上下文长度下，DIFF Transformer在不同答案针深度（即关键信息在长上下文中的位置）和上下文长度下都能保持稳定性能，且在关键信息位于上下文前半部分时优势明显。
特别是当关键信息位于25%深度时，DIFF Transformer比Transformer的准确率提高了 76%。
上下文学习能力评估
分为两个角度来评估，分别是多样本分类和上下文学习的稳健性。
多样本分类任务，同样使用64K上下文长度的3B参数模型，DIFF Transformer的准确率始终高于Transformer，提升幅度从5.2%到21.6%不等
上下文学习稳健性采用排列顺序任务，DIFF Transformer的结果方差远小于传统Transformer。
上下文幻觉评估
主要关注输入中包含正确事实，但模型仍然无法产生准确输出的情况。
将模型输出与ground-truth一起发给GPT-4o，让GPT-4o来判断是否存在幻觉，此前试验表明GPT-4o与人类评判结果一致率较高，相对可靠。
在不同数据集上DIFF Transformer的准确率更高，幻觉更少。
激活异常值分析
Transformer中的激活异常值，导致模型在训练和推理过程中难以量化。
试验比较了注意力logits和隐藏状态两种激活类型下的最大激活值，DIFF Transformer都表现出更低的顶部激活值，即产生更少的激活异常值。
在对注意力logits进行量化实验时，DIFF Transformer在降低比特宽度量化时仍能保持较高性能，而Transformer在6-bi 量化时准确性显著下降。
4-bit的DIFF Transformer能达到与6-bit的Transformer相当的准确性，且比4-bit的Transformer准确率提高约 25%。
代码已开源， 降噪耳机类比引热议
对于目前读者的疑问，作者已做出几点答复
问题1：Diff Transformer与每个注意力头温度可学习的方法有什么不同？与门控注意力对比如何？
作者回应在实验中，可学习温度效果不大。而本文方法是门控注意力的改进。
问题2：差分注意力是否意味着将标准注意力矩阵参数翻倍？
作者澄清，单个注意力头维度翻倍，但是注意力头数量减半，总体在参数和FLOPS上都是对齐的。
问题3：第二组Softmax乘可学习参数lambda的研究思路。
作者也做出详细回应。
DIFF Transformer在纯学术圈之外也引起非常多的讨论，有不少人困惑论文中将方法与降噪耳机的类比。
降噪耳机采集环境噪声并生成相反的信号，在这种情况下哪些信号属于噪声是已知的，但差分注意力中并不能事先确定哪些是噪声。
一种解释是，低注意力分数的噪声也有很低的梯度，因此模型其实已知哪些是噪声，只是单个Softmax无法输出0，所以噪声很难去除。
也有人提出，比起降噪耳机，其实专业音频中“平衡线”，或者USB、网卡等传输方式更适合一些。
使用两条信号线传输正负信号，接收器只对比他们之间的差异，由于在空间中离得很近，受到的干扰是相同的。
有用的正负信号相减会被放大，相同的噪声相减却被抵消，大大增强抗干扰能力。
总之，DIFF Transformer代码已开源在微软unilm项目下，其中还包含魔改版支持差分注意力的FlashAttention-2的代码。
感兴趣的可以试起来了。
论文：https://arxiv.org/abs/2410.05258
代码：https://aka.ms/Diff-Transformer
