Full-bandwidth Transformer の発表
本文の状態
日本語全文を表示中
詳細モードで約2分の本文を読めます。
同じ出来事の情報源
この情報源を基点に整理
Hugging Face Daily Papers
従来のトランスフォーマーがデコーディングステップ間で狭い垂直フィードバックしか持たないのに対し、本手法は直前の上位層隠れ状態をサンプルされたトークン埋め込みと融合させ、次の入力として再帰的に供給する。
AI深層分析を開く2026年8月17日 13:26
AI深層分析
キーポイント
ラテンフィードバック機構の実装
従来のトランスフォーマーがデコーディングステップ間で狭い垂直フィードバックしか持たないのに対し、本手法は直前の上位層隠れ状態をサンプルされたトークン埋め込みと融合させ、次の入力として再帰的に供給する。
並列教師強制学習の維持
事前トレーニング中に遅くからラテンフィードバックを導入し、深いフィードバックパスを少量混ぜるスケジュール付きマルチパス目標を用いることで、並列教師強制学習の利点を損なわずに訓練可能である。
性能と効率性の向上
10 億パラメータ規模で 4,000 億トークンまで訓練した結果、検証損失や数学・コーディング生成、指示微調整性能が改善し、標準トランスフォーマーの約 1.5 倍のトークン数に匹敵する精度を達成した。
推論コストと推論長の最適化
トークンあたりのデコーディングオーバーヘッドは無視できる程度であり、同等またはそれ以上の精度でより短い推論トレースを生成できることが示された。
重要な引用
We introduce the full-bandwidth transformer, which widens this channel with latent feedback
Latent feedback lets non-verbalized computation re-enter the stack with a renewed depth budget
full-bandwidth transformers match or approach standard transformers trained with roughly 1.5times more tokens
編集コメントを表示
編集コメント
この研究は、トランスフォーマーの内部構造を再設計することで計算深度を拡張する画期的なアプローチを示しており、特に複雑な推論タスクにおける効率化に寄与する。既存のアーキテクチャの限界を突破する試みとして、今後の大規模言語モデル開発の重要な指針となる可能性がある。
Source Article
元記事を日本語で読む
本文に関係しない購読案内、埋め込み通知、サイト内プロモーションは除いています。
自己回帰型トランスフォーマーは、生成されたトークンにわたる水平方向と、モデルの深さにおける垂直方向という 2 つの軸に沿って計算を行います。密なアテンション(dense attention)により各トークンは過去の広範囲にアクセスできますが、デコーディングステップ間の垂直フィードバックチャネルは依然として狭いままです。サンプリングされたトークンだけがスタックの底部に戻り、最上層の隠れ状態は捨てられてしまいます。
そこで私たちは「フルバンド幅トランスフォーマー(full-bandwidth transformer)」を提案します。これは潜在フィードバックによってこのチャネルを広げるものです。各デコーディングステップで、直前の最上層隠れ状態をゲート付き線形ユニットを通じてサンプリングされたトークン埋め込みと融合させ、次の入力としてフィードバックします。
潜在フィードバックにより、言語化されていない計算が新たな深さ予算を持ってスタックに再投入可能になります。同時に、標準的なトランスフォーマーアーキテクチャ、KV キャッシュ、そして言語モデリングの目的も維持されます。
並列教師強制を失わずにフルバンド幅トランスフォーマーを訓練するため、私たちはスケジュール化されたマルチパス目標を採用します。これは事前学習の後半で潜在フィードバックを導入し、安定性のために深いフィードバックパスのごく一部を混合するものです。10 億パラメータのフルバンド幅トランスフォーマーを最大 4,000 億トークンまで訓練した結果、潜在フィードバックが検証損失の改善、5 ショット言語モデル評価、数学およびコード生成、そして指令微調整後の性能向上に寄与することが分かりました。
トークンごとの復号化オーバーヘッドは無視できるレベルであり、フルバンド幅トランスフォーマーは標準的なトランスフォーマーと同等かそれ以上の精度で、約1.5倍のトークン数で訓練されたモデルに匹敵する性能を発揮します。さらに、同じ精度を維持しながらも、より短い推論トレースを生成することが可能です。
原文を表示
Autoregressive transformers compute along two axes: horizontally across generated tokens, and vertically through model depth. Dense attention gives each token broad horizontal access to the past, but the vertical feedback channel between decoding steps remains narrow: only the sampled token returns to the bottom of the stack, while the top-layer hidden state is discarded. We introduce the full-bandwidth transformer, which widens this channel with latent feedback: at each decoding step, the previous top-layer hidden state is fused with the sampled token embedding through a gated linear unit and fed back as the next input. Latent feedback lets non-verbalized computation re-enter the stack with a renewed depth budget, while preserving the standard transformer architecture, KV cache, and language-modeling objective. To train full-bandwidth transformers without losing parallel teacher forcing, we use a scheduled multi-pass objective that introduces latent feedback late in pretraining and mixes a small fraction of deeper feedback passes for stability. We train 1B-parameter full-bandwidth transformers up to 400B tokens and find that latent feedback improves validation loss, 5-shot language-model evaluation, math and coding generation, and instruction-tuned performance. With negligible per-token decoding overhead, full-bandwidth transformers match or approach standard transformers trained with roughly 1.5times more tokens, and manage to produce shorter reasoning traces at equal or better accuracy.
関連記事
今日のまとめ
AIデイリーブリーフで今日の重要ニュースをまとめ読み