英文论文

本文先从SSM开始介绍，然后引出Mamba模型，最后介绍Jamba模型。

• 背景介绍
  • 简要介绍：SSM名词概念引入
  • 动机：为什么要做SSM？
  • 细节：SSM是什么？
• SSM -> S4
  • 2022-ICLR-accepted -> Efficiently Modeling Long Sequences with Structured State Spaces¹
• S4 -> S6
  • 2024-ICLR-rejected -> Mamba: Linear-Time Sequence Modeling with Selective State Spaces²

• Jamba
  • 2024.3.28->A Hybrid Transformer-Mamba Language Model

SSM是用于描述序列在各时间步的状态表示，并根据输入预测其下一个状态的模型。SSM是控制理论中常用的模型，在卡尔曼滤波、隐马尔可夫模型都有应用。它是利用了一个中间的状态变量，使得其他变量都与状态变量和输入线性相关，极大的简化问题。

传统的神经网络编码模型主要是RNN、CNN、Transformer这三类模型。

• RNN的优势和劣势：
  • 优势：
    • 线性空间占用，结构简单->推理速度快
  • 劣势：
    • 串行导致训练速度极慢，梯度需要反向传播到各个单元
    • 遗忘问题，无法有效处理长程依赖关系，即使有各种门控也只是减缓，无法根治
• CNN的优势和劣势：
  • 优势：
    • 线性空间占用，可以并行训练
  • 劣势：
    • 仅关注局部特征，忽略了全局特征
    • 推理速度慢，固定的卷积核限制了推理速度，需要用卷积核实现乘和加的操作
• Transformer的优势和劣势：
  • 优势：
    • 可以并行训练，并且可以较好捕捉长程依赖关系
  • 劣势：
    • 时间和空间复杂度过大，都是 $O(N^2)$
    • 复杂注意力计算导致推理速度缓慢

• 总结：

1. 基本符号：

• 输入序列： $x(t)$
• 隐状态表示： $h(t)$
• 预测输出序列： $y(t)$

2. 公式表示：

• $h'(t) = \mathbf{A}h(t) + \mathbf{B}x(t)$
• $y(t) = \mathbf{C}h(t) + \mathbf{D}x(t)$

• 状态方程包含两个部分：通过矩阵 A 描述状态的变化；通过矩阵B描述输入如何影响状态。

• $h(t)$ 指的是任何给定时间 $t$ 的潜在状态表示，而 $x(t)$ 指的是某个输入。输出方程描述了状态如何转换为输出（通过矩阵 $\mathbf{C}$ ）以及输入如何影响输出（通过矩阵 $\mathbf{D}$ ）。

• 整体过程：

• 参数细节，参数矩阵 $\mathbf{D}$ 只起到了残差连接的作用，因此通常把阴影部分看做SSM结构。

3. 连续函数离散化--零阶保持（连续函数离散化有几个主流方法：欧拉法、零阶保持法、一阶保持法）

• $h_t = \bar{\mathbf{A}}h_{t-1}+\bar{\mathbf{B}}x_t, \ \ h_0 = \bar{\mathbf{B}}x_0$
• $y_t = \bar{\mathbf{C}}h_t$

4. 卷积与递归双重属性

$$ \begin{equation} \begin{aligned} y_2 &= \mathbf{C}h_2 \\ & = \mathbf{C}(\bar{\mathbf{A}}h_1 + \bar{\mathbf{B}}x_2) \\ & = \mathbf{C}(\bar{\mathbf{A}}(\bar{\mathbf{A}}h_0 + \bar{\mathbf{B}}x_1) + \bar{\mathbf{B}}x_2) \\ & = \mathbf{C}(\bar{\mathbf{A}}(\bar{\mathbf{A}}\cdot\bar{\mathbf{B}}x_0 + \bar{\mathbf{B}}x_1) + \bar{\mathbf{B}}x_2) \\ & = \mathbf{C}(\bar{\mathbf{A}} \cdot \bar{\mathbf{A}}\cdot\bar{\mathbf{B}}x_0 + \bar{\mathbf{A}}\cdot \bar{\mathbf{B}}x_1 + \bar{\mathbf{B}}x_2) \\ & = \mathbf{C}\cdot\bar{\mathbf{A}}^2 \cdot \bar{\mathbf{B}}x_0 + \mathbf{C}\cdot\bar{\mathbf{A}}\cdot \bar{\mathbf{B}}x_1 + \mathbf{C}\cdot\bar{\mathbf{B}}x_2 \end{aligned} \end{equation} $$

• 为什么可以看成是卷积运算？
  • 上面的式子可以转换成以下运算模式，然后进一步从 $y_2$ 到 $y_k$ ，其中，卷积核是通过固定数值的矩阵得到的，只要能确定 $\mathbf{A}, \mathbf{B}, \mathbf{C}$ 三个矩阵，就可以并行运算。

$$ y_2 = \begin{pmatrix} \bar{\mathbf{C}}\bar{\mathbf{A}}^2\bar{\mathbf{B}} & \bar{\mathbf{C}}\bar{\mathbf{A}}^{1}\bar{\mathbf{B}} & \bar{\mathbf{C}}\bar{\mathbf{A}}\bar{\mathbf{B}} \end{pmatrix} \begin{pmatrix} x_0 \\ x_1 \\ x_2 \end{pmatrix} $$

$$ y_k = \begin{pmatrix} \bar{\mathbf{C}}\bar{\mathbf{A}}^k\bar{\mathbf{B}} & \bar{\mathbf{C}}\bar{\mathbf{A}}^{k-1}\bar{\mathbf{B}} & ... & \bar{\mathbf{C}}\bar{\mathbf{A}}\bar{\mathbf{B}} \end{pmatrix} \begin{pmatrix} x_0 \\ x_1 \\ ... \\ x_k \end{pmatrix} $$

$$ y = \bar{\mathbf{K}}x $$

• 为什么可以看成是递归运算？
  • 如果不把括号展开的话，就是一个递归过程，与RNN的工作方式一样。
• 优势：
  • 训练采用CNN方式并行，提高训练效率
  • 推理采用RNN方式逐个快速输出

• CNN和RNN的长期依赖捕捉能力都比较弱，这导致SSM同样也存在类似的问题。
  • 问题来源：
    • A矩阵包含着各个时间步隐状态变化的信息，管控着信息遗忘的过程
  • 解决方法：
    • 提出HIPPO矩阵³代替随机初始化的 $A$ 矩阵，HIPPO矩阵利用矩阵分解为低秩矩阵

• 结论：相比于随机初始化 $\mathbf{A}$ ，使用HIPPO可以有效缓解遗忘问题

• 多数审稿还是更加认可Transformer系列架构，此前SSM还是有些小众了
• 两个8分审稿太划水了，估计没看懂文章，但也是因为作者写的不太友好
• 此外，该文章的ICLR投稿版本确实存在几个问题：
  • 缺乏长序列建模对比实验，其实就是已有的实验没法支撑创新点
  • 都24年了，还期望使用loss和ppl来判断长序列建模的有效性，已经有很多文章⁴提出loss和ppl已经不说明问题了

• $\mathbf{A}, \mathbf{B}, \mathbf{C}$ 三个矩阵是固定，一旦训练完成，无论新的输入是什么，A都是完全相同的参数，这就会导致模型无法根据输入的信息做针对性的推理，缺少了选择性。
• 如果 $\mathbf{A}, \mathbf{B}, \mathbf{C}$ 三个矩阵变成可以根据输入变化，就无法将SSM转化为卷积过程，公式(2)中 $\mathbf{A}, \mathbf{B}, \mathbf{C}$ 三个矩阵是固定的，是可以预计算为卷积核的。公式(3)中 $\mathbf{A}, \mathbf{B}, \mathbf{C}$ 三个矩阵是变化的，无法预计算成卷积核，导致整个模型无法并行运算。

$$ \begin{equation} \begin{aligned} y_2 &= \mathbf{C}h_2 \\ & = \mathbf{C}(\bar{\mathbf{A}}h_1 + \bar{\mathbf{B}}x_2) \\ & = \mathbf{C}(\bar{\mathbf{A}}(\bar{\mathbf{A}}h_0 + \bar{\mathbf{B}}x_1) + \bar{\mathbf{B}}x_2) \\ & = \mathbf{C}(\bar{\mathbf{A}}(\bar{\mathbf{A}}\cdot\bar{\mathbf{B}}x_0 + \bar{\mathbf{B}}x_1) + \bar{\mathbf{B}}x_2) \\ & = \mathbf{C}(\bar{\mathbf{A}} \cdot \bar{\mathbf{A}}\cdot\bar{\mathbf{B}}x_0 + \bar{\mathbf{A}}\cdot \bar{\mathbf{B}}x_1 + \bar{\mathbf{B}}x_2) \\ & = \mathbf{C}\cdot\bar{\mathbf{A}}^2 \cdot \bar{\mathbf{B}}x_0 + \mathbf{C}\cdot\bar{\mathbf{A}}\cdot \bar{\mathbf{B}}x_1 + \mathbf{C}\cdot\bar{\mathbf{B}}x_2 \end{aligned} \end{equation} $$

$$ \begin{equation} \begin{aligned} y_2 &= \mathbf{C}h_2 \\ & = \mathbf{C}(\bar{\mathbf{A}}_2h_1 + \bar{\mathbf{B}}_2x_2) \\ & = \mathbf{C}(\bar{\mathbf{A}}_2(\bar{\mathbf{A}}_1h_0 + \bar{\mathbf{B}}_1x_1) + \bar{\mathbf{B}}_2x_2) \\ & = \mathbf{C}(\bar{\mathbf{A}}_2(\bar{\mathbf{A}}_1\cdot\bar{\mathbf{B}}_0x_0 + \bar{\mathbf{B}}_1x_1) + \bar{\mathbf{B}}_2x_2) \\ & = \mathbf{C}\cdot\bar{\mathbf{A}}_2\cdot\bar{\mathbf{A}}_1\cdot\bar{\mathbf{B}}_0x_0 + \mathbf{C}\cdot\bar{\mathbf{A}}_2\cdot\bar{\mathbf{B}}_1x_1 + \mathbf{C}\cdot\bar{\mathbf{B}}_2x_2 \end{aligned} \end{equation} $$

• 参数化矩阵
  • 优化 $\mathbf{A}, \mathbf{B}$ 矩阵为依据输入数据变化的（此优化主要针对于SSM和S4的劣势提出的）
• 硬件感知的并行运算符号
  • 引入了新的可并行运算符号
  • 减少HBM和SRAM通信次数
• 更简单的SSM结构

• S6的每个参数矩阵都是动态的，会根据输入发生相应的变化，引入更好的文本推理能力（这部分感觉可以按照静态和动态词向量之间的区别进行理解了）

N代表了Hidden state size，D代表了Size of input vector

B代表了Batch size，L代表了Sequence length，N代表了Hidden state size.

• 离散化的过程全都是公式推到，这里暂时不提了...不过要注意的是， $\bigtriangleup$ 是在离散化引入的参数，代表步长，可以类比为视频里的帧数。
• 此外，另一个问题是，就如之前所提到的，当 $\mathbf{A}, \mathbf{B}, \mathbf{C}$ 三个矩阵不是固定值之后，无法预计算为卷积核。那么，带来的新问题就是，没办法实现训练时的加速。因此，作者提出了硬件感知的并行运算符来解决这个问题。

• 并行化--选择性扫描算法（Selective Scan Algorithm）
• 不使用传统卷积操作，而是定义了新的“加”运算，在并行计算中，“连加”操作是可以并行的。
• 新的运算符：

• 上述运算符满足交换律和结合律，取运算结果中的第二项作为计算结果
• 运算的操作顺序与矩阵 $\mathbf{A}$ 无关

• 需要注意的是，是类似二叉树的计算模式，两两计算

• 充分发挥SSM显存占用小的优势，把模型和运算过程都在在SRAM上完成。相比之下，Transformer计算时，占用显存过大无法实现。
• HBM：显卡的高带宽内存，提供了比GDDR更高的带宽，更低的功耗。当然，相比于SRAM，HBM仍是”低速大容量“的
• SRAM：显卡的高速缓存区，读取速度非常快
• 对Transformer和SSM：
  • 仅仅注意力层可能就需要把模型各个模块分批次从HBM加载到SRAM区计算，一个模块计算结束就从SRAM取出来，再加载下一个模块，如QKV->Score->Score*V之类的。
  • SSM直接加载到SRAM，然后一步直接得到输出，再从SRAM写回HBM。
• GPU最新的一个缺点是其小型但高效的SRAM与大型但效率稍低的DRAM之间的传输(IO)速度有限。在SRAM和DRAM之间频繁复制信息成为瓶颈。

• Mamba 与 Flash Attention 一样，试图限制我们需要从 DRAM 到 SRAM 的次数，反之亦然。它通过内核融合来实现，这允许模型防止写入中间结果并连续执行计算直到完成。

• 我们可以通过可视化 Mamba 的基础架构来查看 DRAM 和 SRAM 分配的具体实例：

• 这种架构通常被称为选择性SSM或S6模型，因为它本质上是使用选择性扫描算法计算的S4模型。

• 到目前为止，选择性 SSM 可以作为一个块来实现，就像我们在解码器块中表示自注意力一样。与解码器一样，可以堆叠多个 Mamba 块并将它们的输出用作下一个 Mamba 块的输入：

• Mamba可以支持多种结构微调

• 首个建立在新颖的SSM-Transformer混合架构上的产品级Mamba模型
• 长上下文比Mixtral 8x7B吞吐量提高3倍
• 使256K的大型上下文窗口**化
• 唯一在其规模类别中可在单个GPU上容纳高达140K上下文的模型

总的来说，

• 更快的推理速度
• 更长的上下文
• 更少的算力开销
• 持平的效果

首先，作者先介绍该架构旨在，不仅提供少量的激活参数，而且提供比Transformer小8倍的KV缓存。下表将Jamba与最近公开的模型进行了比较，显示了它在维护小型KV缓存方面的优势，即使在256K上下文中也是如此。

• 堆叠了4个Jamba blocks的情况下，每个block的参数：
  • $l = 8$ : the number of layers.
  • $a:m = 1:7$ : ratio attention-to-Mamba layers.
  • $e = 2$ : how often to use MoE instead of a single MLP.
  • $n = 16$ : total number of experts.
  • $K = 2$ : number of top experts used at each token.
• 下图是单张A100上Jamba和其它模型的上下文支持长度的对比，目前开源出来的模型已经支持到256K，但作者说他们已经成功训练出支持1M上下文长度的Jamba模型。

• 下图（a），是单张A100，int8，8K输入长度，512输出长度的吞吐量对比。
• 下图（b），是4张A100，在128K输入长度下的吞吐量对比。
• 此外，作者还强调，Transformer系列模型相比Jamba已经多优化6年了，但是却被Jamba轻松超越，所以，作者认为之后Jamba在经过充分优化后，将会展现出更好的结果。

• 作者随后在一些常识推理和阅读理解任务等上进行了实验，都是few shot和zero shot的实验
• 作者一直在强调，Jamba在具有更好吞吐量的情况下，获得了可比或者更好的结果

• 作者也评估了大海捞针的效果，单针实验。

• 长文QA任务

• 作者为了引出下文，所以先讨论了如果把Attention和Mamba做了整合，会有什么好处？ 这里先讨论了1.3B的情况。

• 又讨论了7B的情况

• 作者考虑到有读者会质疑为什么要对Attention和Mamba整合提出Jamba，而不是纯Mamba模型构造Jamba，因此给出了实验，总的结论就是，两个模型各有一些优势，结合起来就是强强联合。此外，作者还认为如果不做整合，纯Mamba模型可能ICL的结果会差一些。

• MoE的消融实验

• 作者还通过实验说明了，Jamba不需要位置编码

Note: 本文中许多图片参考了Maarten Grootendorst分享的博客⁵，十分感谢Maarten Grootendorst的工作！此外，也感谢知乎博主的分享⁶，但该文章在开始介绍S6模型时切入点有些令人困惑，感觉可以忽略Mamba在引入选择性扫描机制前补充的实验。