Transformer、RNN和SSM的相似性探究：揭示看似不相關(guān)的LLM架構(gòu)之間的聯(lián)系

• 通過探索看似不相關(guān)的大語言模型(LLM)架構(gòu)之間的潛在聯(lián)系，我們可能為促進不同模型間的思想交流和提高整體效率開辟新的途徑。盡管Mamba等線性循環(huán)神經(jīng)網(wǎng)絡(RNN)和狀態(tài)空間模型(SSM)近來備受關(guān)注，Transformer架構(gòu)仍然是LLM的主要支柱。這種格局可能即將發(fā)生變化：像Jamba、Samba和Griffin這樣的混合架構(gòu)展現(xiàn)出了巨大的潛力。這些模型在時間和內(nèi)存效率方面明顯優(yōu)于Transformer，同時在能力上與基于注意力的LLM相比并未顯著下降。近期研究揭示了不同架構(gòu)選擇之間的深層聯(lián)系，包括T
• 關(guān)鍵字： Transformer  RNN  SSM  模型