時隔6年BERT升級！僅編碼器架構沒被殺死，更快更準確更長上下文

西風 2024-12-24 15:32:04 來源：量子位

西風 發自 凹非寺

量子位 | 公眾號 QbitAI

時隔6年，一度被認為瀕死的“BERT”殺回來了——

更現代的ModernBERT問世，更快、更準、上下文更長，發布即開源！

去年一張“大語言模型進化樹”動圖在學術圈瘋轉，decoder-only枝繁葉茂，而曾經盛極一時的encoder-only卻似乎走向沒落。

ModernBERT作者Jeremy Howard卻說：

encoder-only被低估了。

他們最新拿出了參數分別為139M（Base）、395M（Large）的兩個模型，上下文長度為8192 token，相較于以BERT為首的大多數編碼器，其長度是它們的16倍。

ModernBERT特別適用于信息檢索（RAG）、分類、實體抽取等任務。

在檢索、自然語言理解和代碼檢索測試中性能拿下SOTA：

效率也很高。

ModernBERT速度是DeBERTa的兩倍；在更常見的輸入長度混合的情況下，速度可達4倍；長上下文推理比其它模型快約3倍。

關鍵它所占的內存還不到DeBERTa的五分之一。

Jeremy Howard表示，目前關于生成式模型的熱議掩蓋了encoder-only模型的作用。

像GPT-4這樣大模型，太大、太慢、私有化、成本高昂，對許多任務來說并不適合，還有Llama 3.1，參數都達到了405B。

這些模型運行緩慢，價格昂貴，而且不是你可以控制的。

GPT-4這樣的生成模型還有一個限制：它們不能預先看到后面的token，只能基于之前已生成的或已知的信息來進行預測，即只能向后看。

而像BERT這樣的僅編碼器模型可以同時考慮前后文信息，向前向后看都行。

ModernBERT的發布吸引數十萬網友在線圍觀點贊。

抱抱臉聯合創始人兼CEO Clem Delangue都來捧場，直呼“愛了！！”。

為什么ModernBERT冠以“現代”之名？相較于BERT做了哪些升級？

殺不死的encoder-only

ModernBERT的現代體現在三個方面：

• 現代化的Transformer架構
• 特別關注效率
• 現代數據規模與來源

下面逐一來看。

首先，ModernBERT深受Transformer++（由Mamba命名）的啟發，這種架構的首次應用是在Llama2系列模型上。

ModernBERT團隊用其改進后的版本替換了舊的BERT-like構建塊，主要包括以下改進：

• 用旋轉位置嵌入（RoPE）替換舊的位置編碼，提升模型理解詞語之間相對位置關系的表現，也有利于擴展到更長的序列長度。
• 用GeGLU層替換舊的MLP層，改進了原始BERT的GeLU激活函數。
• 通過移除不必要的偏置項（bias terms）簡化架構，由此可以更有效地使用參數預算。
• 在嵌入層之后添加一個額外的歸一化層，有助于穩定訓練。

接著，在提升速度/效率方面，ModernBERT利用了Flash Attention 2進行改進，依賴于三個關鍵組件：

一是使用交替注意力（Alternating Attention），提高處理效率。

二是使用Unpadding和Sequence Packing，減少計算浪費。

三是通過硬件感知模型設計（Hardware-Aware Model Design），最大化硬件利用率。

這里就不詳細展開了，感興趣的童鞋可以自行查閱原論文。

最后來看訓練和數據方面的改進。

團隊認為，encoders在訓練數據方面的落后，實際問題在于訓練數據的多樣性，即許多舊模型訓練的語料庫有限，通常只包括維基百科和書籍，這些數據只有單一的文本模態。

所以，ModernBERT在訓練時使用了多種數據，包括網絡文檔、編程代碼和科學文章，覆蓋了2萬億token，其中大部分是獨一無二的，而不是之前encoders中常見的20-40次的重復數據。

訓練過程，團隊堅持使用原始BERT的訓練配方，并做了一些小升級，比如移除了下一句預測目標，因為有研究表明這樣的設置增加了開銷但沒有明顯的收益，還將掩碼率從15%提高到30%。

具體來說，139M、395M兩個規格的模型都通過了三階段訓練。

首先第一階段，在序列長度為1024的情況下訓練1.7T tokens。然后是長上下文適應階段，模型處理的序列長度增加到8192，訓練數據量為250B tokens，同時通過降低批量大小保持每批次處理的總tokens量大致相同。最后，模型在500億個特別采樣的tokens上進行退火處理，遵循ProLong強調的長上下文擴展理想混合。

一番操作下來，模型在長上下文任務上表現具有競爭力，且處理短上下文的能力不受損。

訓練過程團隊還對學習率進行了特別處理。在前兩個階段，模型使用恒定學習率，而在最后的500億tokens的退火階段，采用了梯形學習率策略（熱身-穩定-衰減）。

團隊還使用兩個技巧，加速模型的訓練過程，一個是常見的batch-size warmup，另一個是受微軟Phi系列模型啟發，利用現有的性能良好的ModernBERT-base模型權重，通過將基礎模型的權重“平鋪”擴展到更大的模型，提高權重初始化的效果。

作者透露將將公開checkpoints，以支持后續研究。

誰打造的？

前面提到的Jeremy Howard是這項工作的作者之一。

ModernBERT的三位核心作者是：

Benjamin Warner、Antoine Chaffin、Benjamin ClaviéOn。

Jeremy Howard透露，項目最初是由Benjamin Clavié在七個月前啟動的，隨后Benjamin Warner、Antoine Chaffin加入共同成為項目負責人。

Benjamin ClaviéOn、Benjamin Warner，同Jeremy Howard一樣，來自Answer.AI。Answer.AI打造了一款能AI解題、概念闡釋、記憶和復盤測試的教育應用，在北美較為流行。

Antoine Chaffin則來自LightOn，也是一家做生成式AI的公司。

團隊表示BERT雖然看起來大家談論的少了，但其實至今仍在被廣泛使用：

目前在HuggingFace平臺上每月下載次數超6800萬。正是因為它的encoder-only架構非常適合解決日常出現檢索（例如用于RAG）、分類（例如內容審核）和實體提取任務。

Jeremy Howard表示明年將訓練這個模型的更大版本。

Blog：https://huggingface.co/blog/modernbert
ModernBERT-Base：https://huggingface.co/answerdotai/ModernBERT-base
ModernBERT-Large：https://huggingface.co/answerdotai/ModernBERT-large
論文：https://arxiv.org/pdf/2412.13663
參考鏈接：https://x.com/jeremyphoward/status/1869786023963832509