将26个token压缩成1个，新方法极致节省ChatGPT输入框空间

随着每天产生数百万用户和

查询

，ChatGPT 使用

自注意力

机制对 prompt 进行反复编码，其时间和内存复杂度随输入长度呈二次方增长。缓存 prompt 的 transformer 激活可以防止部分重新计算，但随着缓存 prompt 数量的增加，这种策略仍然会产生很大的内存和存储成本。在大规模情况下，即使 prompt 长度稍微减少一点，也可能会带来计算、内存和存储空间的节省，同时还可以让用户将更多内容放入 LM 有限的上下文窗口中。

那么。应该如何降低 prompt 的成本呢？典型的方法是微调或蒸馏模型，使其在没有 prompt 的情况下表现得与原始模型相似，或许还可以使用

参数

高效的自适应方法。然而，这种方法的一个基本缺点是每次需要为新的 prompt 重新训练模型（下图 1 中间所示）。

本文中，斯坦福大学的研究者提出了 gisting 模型（上图 1 底部），它将任意 prompt 压缩成一组更小的虚拟「Gist」 token，类似于前缀微调 。然而，前缀微调需要通过

梯度下降

为每个任务学习 prefix，而 Gisting 采用

元学习

方法，仅仅通过 prompt 预测 Gist prefix，而不需要为每个任务进行 prefix 学习。这样可以摊销每个任务 prefix 学习的成本，使得在没有额外训练的情况下泛化到未知的指令。

此外，由于「Gist」token 比完整 prompt 要短得多，因此 Gisting 允许 prompt 被压缩、缓存和重复使用，以提高计算效率。

论文地址：https://arxiv.org/pdf/2304.08467v1.pdf

研究者提出了一种非常简单的方法来学习指令遵循的 gist 模型：简单地进行指令微调，在 prompt 后插入 gish token，修改后的注意力掩膜阻止 gist token 后的 token 参考 gist token 前的 token。这使得模型同时学习 prompt 压缩和指令遵循，而无需额外的训练成本。

在 decodr-only（LLaMA-7B）和 encoder-decoder（FLAN-T5-XXL）LM 上，gisting 可实现高达 26 倍的即时压缩率，同时保持与原始模型相似的输出质量。这使得推理过程中 FLOPs 减少了 40%，延迟加速了 4.2%，与传统的 prompt 缓存方法相比，存储成本大大降低。

Gisting

研究者首先在指令微调的背景下描述 gisting。对于指令遵循数据集

，t 表示用自然语言 prompt 编码的任务 (例如将此翻译成法语)，x 表示任务的（可选）输入 (例如 The cat)，y 表示期望的输出（例如 Le chat）。指令微调的目的是通过连接 t 和 x，然后让通常预先训练的

语言模型

自回归地预测 y，从而学习分布 pLM（y | t,x）。推理时可以使用新的任务 t 和输入 x 进行 prompt，从模型中解码以获得预测结果。

然而，连接 t 和 x 的这种模式具有缺点：基于 Transformer 的 LM 具有有限的上下文窗口，其受架构或计算能力所限。后者特别难解决，因为

自注意力

随输入长度呈二次方扩展。因此很长的 prompt，尤其那些被反复重用的 prompt，计算效率低下。有哪些选项可以用来降低 prompt 的成本呢？

一种简单的方法是针对特定任务 t 进行 LM 微调，即给定包含仅在任务 t 下的输入 / 输出示例的数据集

，可以学习一个专门的

，它更快，因为不需要考虑 t。

更好的是，prefix/prompt 微调或 adapter 等

参数

高效微调方法能够以比全面微调低得多的成本实现相同的目的。然而仍然存在问题：必须至少存储每个任务的一部分模型

权重

，并且更重要的是，对于每个任务 t，必须收集相应的输入 / 输出对数据集 D^t 并重新训练模型。

Gisting 是一种不同的方法，它摊销了两部分成本：（1）在 t 上条件化 p_LM 的推理时间成本，（2）学习每个 t 的新 p^t_LM 的训练时间成本。其思想是在微调期间学习 t 的压缩版本 G (t)，使得从 p_G (y | G (t),x) 进行推理比从 p_LM (y|t,x) 更快。

在 LM 术语中，G (t) 将是一组「虚拟」的 Gist token，其数量比 t 中的 token 少，但仍会在 LM 中引起类似的行为。接着可以缓存并重复使用 G (t) 上的 transformer 激活（例如键和值矩阵）以提高计算效率。重要的是，研究者希望 G 可以泛化到未见过的任务：给定一个新任务 t，则可以预测并使用相应的 Gist 激活 G (t) 而无需进行任何额外训练。

通过掩膜学习 Gisting

上文描述了 Gisting 的一般框架，接下来将探讨一种学习此类模型的极简单方法：使用 LM 本身用作 Gist 预测器 G。这不仅利用了 LM 中的预存在知识，而且允许通过简单地执行标准指令微调来学习 gisting 并修改 Transformer 注意力掩膜来增强 prompt 压缩。这意味着 Gisting 不会产生额外训练成本，只需要基于标准指令微调即可！

具体来说，向模型词汇表和嵌入矩阵中添加一个特殊的 gist token，类似于此类模型中常见的句子开头 / 结尾 token。然后对于给定的（任务，输入）元组（t，x），使用 (t, g_1, . . . , g_k, x) 中一组 k 个连续的 gist token 将 t 和 x 连接在一起，例如

。这个序列被输入到模型中，有一个限制，即在 gist token 之后的输入 token 不能参考之前的 prompt token（但它们可以参考 gist token）。这会强制模型将 prompt 中的信息压缩成 gist token，因为输入 x (输出 y) 无法处理 prompt t。

下图 2 展示了所需要的更改。对于 GPT-3 或 LLaMA 等通常采用自回归因果注意力掩膜的 decoder-only LM，只需 mask out 图 2a 所示的三角形左下角。对于具有双向编码器和自回归解码器的 encoder-decoder LM，则需要进行两项修改（图 2b 所示）。

首先，在通常没有掩膜的编码器中，阻止输入 token x 参考 prompt token t。但还必须防止 prompt t 和 gist token g_i 参考输入 token x，否则编码器将根据输入学习不同的 gist 表示。最后解码器正常运行，除了在交叉注意力期间，这时需要阻止解码器参考 prompt token t。

实验结果

对于不同数量的 gist token， LLaMA-7B 和 FLAN-T5-XXL 的 ROUGE-L 和 ChatGPT 评估结果如下图 3 所示。

模型通常对 gist token 的数量 k 不敏感：将 prompt 压缩到单个 token 并不会导致显著性能下降。事实上，在某些情况下，过多的 gist token 会损害性能 (例如 LLaMA-7B, 10 gist tokens)，这可能是因为增加的容量使训练分布

过拟合

。因此，研究者在下表 1 中给出了单 token 模型的具体数值，并在剩余实验中使用单个 gist 模型。

在见过的指令上，gist 模型获得了与其对应阳性对照模型几乎相同的 ROUGE 和 ChatGPT 性能，在 LLaMA-7B FLANT5-XXL 上的胜率分别为 48.6% 和 50.8%。这里研究者最感兴趣的是它们在未见过任务上的泛化能力，这需要通过另外两个数据集来衡量的。

在 Alpaca+ 训练数据集中未见过的 prompt 中，可以看到 gist 模型在未见过 prompt 上有着强大的泛化能力：与对照组相比，分别有 49.7%（LLaMA）和 46.2%（FLAN-T5）的胜率。在最具挑战性的 OOD Human split 上，gist 模型的胜率略微下降，分别为 45.8%（LLaMA）和 42.5%（FLANT5）。

本文的目的是让 gist 模型紧密地模仿原始模型的功能，因此有人可能会问究竟什么时候 gist 模型与对照组无差别。下图 4 说明了这种情况发生的频率：对于已见过任务（但是未见过的输入），gist 模型几乎有一半的时间与对照组不相上下。对于未见过的任务，这一数字下降到了 20-25%。对于 OOD Human 任务，这一数字又下降到 10%。无论如何，gist 模型输出的质量是很高的。

总的来说，这些结果表明，gist 模型可以可靠地压缩 prompt，甚至在训练分布之外的某些 prompt 上也可以做到这一点，特别是像 LLaMA 这样的 decoder-only 因果 LM。FLAN-T5 等 encoder-decoder 模型表现略差，一个可能的原因是 gist 掩膜抑制了编码器中的双向注意力流，这比仅 mask 自回归解码器的一部分 history 更具挑战性。未来需要进一步的工作来研究这个假设。

计算、内存和存储效率

最后，回到这项工作的核心动机之一：gisting 可以带来什么样的效率提升？

下表 2 展示了使用 PyTorch 2.0 分析器对模型进行单次前向传递的结果（即使用单个输入 token 的自回归解码的一步），并对 Human eval split 中的 252 个指令取平均值。与未经优化的模型相比，gist 缓存显著提高了效率。两种模型的 FLOPs 节约率达到了 40％，时钟时间降低了 4-7％。

然而更重要的是，与指令缓存相比，gist 缓存有着除延迟之外的关键优势：将 26 个 token 压缩为 1 个可以在输入上下文窗口中腾出更多空间，这受到绝对位置嵌入或者 GPU VRAM 的限制。特别是对于 LLaMA-7B，KV 缓存中的每个 token 需要 1.05MB 的存储空间。尽管在测试的 prompt 长度下，KV 缓存相对于 LLaMA-7B 推断所需的内存总贡献微不足道，但一个越来越常见的场景是开发人员在大量用户之间缓存许多 prompt，存储成本很快就会增加。在存储空间相同的情况下，gist 缓存能比完整指令缓存多 26 倍的 prompt。