YaRN: Yet another RoPE extensioN (2023, Quesnelle et al.)

4. YaRN: Yet another RoPE extensioN (2023, Quesnelle et al.)

arxiv: 2309.00071

核心问题：RoPE 支持长度外推（理论上），但实际训练的模型遇到超出训练长度的序列时，表现还是会崩盘。LLaMA 在 2048 长度上训练，推到 4096 就可能开始胡言乱语。怎么让已有模型"变长"，而不需要从头预训练？

方法创新：
YaRN 的核心思想是修改 RoPE 的旋转频率，让模型"以为"序列比实际短。

具体来说：

1. 频率缩放：把 RoPE 的旋转角度乘以一个缩放因子 s。如果训练长度是 L，想扩展到 L'，就让 s = L'/L。这样位置 m 的编码相当于位置 m/s 的编码——模型"看到"的序列被"压缩"了。
2. 温度缩放（Temperature Scaling）：单纯缩放频率会让 attention 分布变"尖锐"（远距离的区分度下降）。YaRN 在 softmax 前引入温度因子 t，软化分布。
3. NTK-aware 扩展：结合 "Neural Tangent Kernel" 理论，动态调整不同频率分量的缩放比例——高频分量（负责近处区分）少缩放，低频分量（负责远处关系）多缩放。

关键结果：

• 10x 更少 token：相比直接微调扩展上下文的方法
• 2.5x 更少训练步骤
• LLaMA 模型可以有效利用远超原始训练长度的上下文
• 可以在微调数据集之外 extrapolate

影响评估：
YaRN 是上下文扩展的"经济方案"。在此之前，扩展上下文窗口通常需要大量高质量长文档重新训练（如 GPT-4 的 32K/128K 版本）。YaRN 证明了通过修改位置编码的频率，可以用很少的计算让已有模型"变长"。后续工作（如 CodeLLaMA、LongLLaMA）都基于 YaRN 或其变体。

费曼点评：

这篇论文的 cleverness 在于它利用了 RoPE 的一个隐藏特性——位置编码本质上是一组频率。改变频率就是改变"尺子的刻度"。YaRN 没有训练模型适应更长的序列，而是让模型"以为"序列没那么长。这就像给近视的人换一副度数更低的眼镜，让他能看清更远的东西——不是治好了近视，是改变了"远"的定义。当你理解了底层机制（RoPE 是频率），就能玩出这种 trick。

arxiv: 2309.00071

#论文深度研究 #小凯