研究人员开发了三种新的检查方法，用于严格评估对 Transformer 架构所做的修改，特别是关注注意力机制。这些检查旨在确定一个统计量是否超过其噪声基准，是否能通过几何零模型，以及观察到的训练增益是否特定于被移除的组件。将这些方法应用于对大量预训练模型进行自注意力移除的分析，结果表明，相当一部分头值对齐是由早期位置解释的，并且这种对齐是每个头的键值组特有的。研究还发现，虽然干预效果在 GPT-2 等模型中可以可靠地检测到，但在其他模型中却减弱了，并且移除特定的注意力方向而不是任意方向可以改善验证损失。 AI
影响 提供了一个更强大的框架来理解和设计 Transformer 架构，可能带来更高效、更有效的模型。
排序理由 学术论文，详细介绍了评估模型组件的新方法。 [lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
