大模型最强架构 TTT 问世！斯坦福 UCSD 等 5 年磨一剑， 一夜推翻 Transformer

一觉醒来，超越 Transformer 和 Mamba 的新架构诞生了？

斯坦福、UCSD、UC 伯克利和 Meta 的研究人员提出了一种全新架构，用机器学习模型取代 RNN 的隐藏状态。

这个模型通过对输入 token 进行梯度下降来压缩上下文，这种方法被称为“测试时间训练层（Test-Time-Training layers，TTT）”。

TTT 层直接替代了注意力机制，解锁了具有表现力记忆的线性复杂度架构，使我们能够在上下文中训练包含数百万（未来可能是数十亿）个 token 的 LLM。

作者相信，这个研究了一年多的项目，将从根本上改变我们的语言模型方法。

而结果证明，TTT-Linear 和 TTT-MLP 直接赶超或击败了最强的 Transformer 和 Mamba！

作者之一的 Xiaolong Wang 惊喜地表示：不敢相信，我们真的做到了。

更令人兴奋的是，虽然目前 TTT 只应用于语言建模，但在未来，它也可以用在长视频上，可谓前景远大。

在将来，当我们对长视频进行建模时，就可以对帧进行密集采样，而不是采样 1FPS 了。这些密集帧对 Transformer 是一种负担，但对于 TTT 层来说，这却是一种福音！

一个 5 年多的想法，终于实现了

作者表示，在过去的 1.5 年里，团队一直在开发一种新的 LLM 架构，可以具有线性复杂度和更强的隐藏状态，用于长上下文建模。

而这个测试时训练（TTT）的想法，已经研究了超过 5 年。

Xiaolong 清晰记得，在刚开始做博士后时，Alyosha 曾让自己去找 Yu Sun 讨论 TTT。这次会面，就是这项研究的起点。

序列模型会把历史上下文存储在一个隐藏状态中。

像 Mamba 这样的 RNN 层，会随着时间的推移压缩成一个固定大小的状态，它们虽然效率很高，但性能受限于其表达能力。

注意力机制有一个 KV 缓存，它会随着时间的推移不断增长。这个状态不会压缩任何历史上下文，但随着上下文长度的增加，成本也会越来越高。

团队成员想：既然这样，为什么不把上下文压缩到模型的权重中 —— 就像 LLM 处理互联网数据那样呢？

这种「隐藏状态模型」既能在时间上保持固定大小，又能大大增强表达能力。

研究人员使用了自监督学习来更新隐藏状态的权重，对每个 token 进行一次梯度下降。在处理一个序列时，该状态已经在其上下文窗口中的 token 上「训练」过了。

值得注意的是，隐藏状态只存在于端到端架构中的一层。其他组件，比如 QKV 投影矩阵，是在预训练期间通过标准的交叉熵目标函数学习的。

因此，端到端架构实际上是在进行元学习，寻找压缩上下文的最佳方式，以便更好地预测下一个 token，也就是在「学习如何在测试时学习」。

结果显示，与 Mamba 相比，TTT-Linear 具有更好的困惑度和更少的 FLOP（左），并且更好地利用了长上下文（右）。

下图显示了批大小为 16 的情况下，随着上下文长度的变化，每个 token 的前向时间（延迟）。所有模型的参数都是 1.3B（Mamba 为 1.4B）。

可以看到，随着上下文长度的增加，Transformer 每个 token 的前向时间呈线性增长，但其他两种方法的前向时间基本保持不变。

在 8k 上下文时，TTT-Linear 比 Transformer 更快，与 Mamba 相当。

RNN 的尴尬现实

2020 年，OpenAI 缩放定律论文表明 LSTM（RNN 的一种）无法像 Transformer 那样进行缩放，或有效地使用长上下文。

真的是这样吗？

在这个项目中，研究人员重新评估了图 2 中的这些发现。

在左侧，可以观察到 Mamba（当今最流行的 RNN 之一）的扩展性与强大的 Transformer 类似，这是自 2020 年的 LSTM 以来显示出的巨大进步。

然而，在右侧，可以观察到与 OpenAI 相同的 Mamba 问题。

平均而言，序列中靠后的 token 应该更容易预测，因为它们以更多信息为条件。

对 Transformer 来说确实如此，每个 token 索引的平均复杂度在其 32k 上下文中不断减少。相比之下，Mamba 在 16k 后就出现了同样的情况。

对于现有的 RNN 来说，这个结果代表了一个尴尬的现实 ——

一方面，RNN（相对于 Transformer）的主要优势就是它们的线性（相对于二次）复杂性。这种渐进优势实际上只会在长上下文中实现。

另一方面，一旦上下文足够长，现有的 RNN（如 Mamba）就很难真正利用额外的条件信息。

长上下文的困难是 RNN 层本质上的问题：与自注意力机制不同，RNN 层必须将上下文压缩为固定大小的隐藏状态。

作为一种压缩启发式，更新规则需要发现成千上万甚至数百万个 token 之间的底层结构和关系。

研究人员首先观察到，自监督学习可以将大量训练集压缩为 LLM 等模型的权重，该模型通常表现出对其训练数据之间语义联系的深刻理解，而这，恰恰是他们所需要的。

TTT 层

受此启发，研究人员设计了一类新的序列建模层，其中隐藏状态是模型，更新规则是自监督学习的一个步骤。

由于更新测试序列上隐藏状态的过程，相当于在测试时训练模型，因此此类新层称为测试时训练（TTT）层。

研究人员引入两个简单的实例：TTT-Linear 和 TTT-MLP，其中隐藏状态分别是线性模型和两层 MLP。TTT 层可以集成到任何网络架构中并进行端到端优化，类似于 RNN 层和自注意力。

实际运行时间

TTT 层在 FLOP 方面已经非常高效，研究人员则更进一步地提出了两项创新，使其在实际运行时间内也能保持高效。

首先，与在常规训练中对 mini-batch 序列采取梯度步进以实现更好的并行性类似，他们也在 TTT 中使用了 mini-batch 的 token。

其次，研究人员为每个 TTT mini-batch 内的操作开发了一种对偶形式，以更好地利用现代 GPU 和 TPU。这种对偶形式的输出与原始实现相当，但训练速度却快了 5 倍以上。

正如图 3 所示，TTT-Linear 在 8k 上下文中比 Transformer 更快，并且与 Mamba 相当。

Transformer 杀手 ——TTT

如图 4 所示，所有的序列建模层，都可以从将历史上下文存储到隐藏状态的角度来看待。

比如，RNN 层 —— 如 LSTM、RWKV 和 Mamba 层 —— 将上下文压缩成一个固定大小的状态，这个状态随时间变化。

这种压缩带来了两种结果：优势是处理效率高，因为每个 token 的处理时间是恒定的。劣势是在处理长上下文时，RNN 性能受限于隐藏状态的「表达能力」。

自注意力机制（Self-attention）也可以从如上角度来理解。

不同之处在于，它的隐藏状态，通常称为键值（KV）缓存是一个随 t 增长的线性 list。

它可以存储所有的上下文，并且不会进行压缩，具有很好的表达能力，不过其处理时间随上下文长度线性增长。

因此，为了在长上下文中既保持效率，又具有表达能力，需要一个更好的「压缩启发式」（compression heuristic）方法。

具体来说，就需要将数百万个 token 压缩成一个能有效捕捉其底层结构和关系的隐藏状态。

TTT 隐藏状态

研究人员的关键思想是，使用自监督学习来将历史上下文 x₁,...,x_t压缩成一个隐藏状态 S_t。方法是将上下文视为一个无标签数据集，而将状态视为一个模型。

具体来说，隐藏状态 S_t现在等同于一个模型 f 的权重 W_t，这个模型 f 可以是线性模型、小型神经网络或其他任何形式。输出规则简单地表示为：z_t=f(x_t;w_t)。

直观讲，输出 token 就是由更新后权重 W_t的模型 f 对 x_t所做的预测。更新规则是在某个自监督损失ℓ上进行的一步梯度下降：W_t=W_t-1-ηΔℓ（W_t-1;x_t）。其中学习率为 η。

从压缩的角度来看，每种启发式方法都需要决定记住 / 忘记哪些输入。W 会记住那些产生大梯度的输入 —— 直观地说，就是那些使 W 学习很多的输入。

ℓ的一种选择是重构 x_t本身。为了使学习问题变得非平凡，作则首先将 x_t处理成一个被破坏的输入

，然后优化：

类似于去噪自编码器，f 需要发现 x_t各维度之间的相关性，以便从部分信息

中重构出 x_t。

如图 5 所示，梯度下降能够减少ℓ，但无法将其降至零。

与其他 RNN 层和自注意力机制一样，研究人员将输入序列 x₁,...,xT 映射到输出序列 z₁,...,z_t的算法可以被编程到序列建模层的前向传播中，使用上述的隐藏状态、更新规则和输出规则。

即使在测试时，新层仍然为每个输入序列训练一个不同的权重序列 W₁,...,W_t。因此，研究人员将其称之为测试-时间训练层（TTT）。

使用 TTT 层训练神经网络

TTT 层的前向传播，也有相应的后向传播。

TTT 层与 RNN 层、自注意力机制有着相同的接口，因此可以在任何更大的神经网络架构中替换它们。

值得一提的是，训练带有 TTT 层神经网络的方式，与训练任何其他 Transformer 模型相同。

可以使用相同的数据、方法和目标（如下一个 token 预测）来优化网络其余部分的参数。

在此，研究人员将训练更大的神经网络称为外循环（outer loop），而在每个 TTT 层内训练 W 称为内循环（inner loop）。

它们之间梯度计算的区别是，内循环针对的是 W（即模型 f 的参数），外循环针对的是网络其余部分的参数 θ_rest。

TTT 学习自监督任务

可以说，TTT 最重要的部分是自监督任务，因为它决定了 W 从测试序列中学习的特征类型。

在这个任务的设计上，研究人员采取了更加端到端的方法 —— 直接优化自监督任务以实现下一个 token 预测的最终目标。

具体来说，研究者将自监督任务的学习，作为外循环的一部分。

从如上公式 3 中的简单重构任务开始，添加了一些外循环参数来让这个任务可学习。最新的自监督损失是：

在内循环中，只有 W 被优化，因此作为ℓ的参数写出；θ 们是这个损失函数的「超参数」。在外循环中，θ_K,θ_V,θ_Q与 θ_rest一起被优化，而 W 仅仅是一个隐藏状态，不是参数。

图 6 用代码说明了这种区别，其中 θ_K和 θ_V被实现为 TTT 层的参数，类似于自注意力中的 KV 参数。

总的来说，θ_K,θ_V,θ_Q所有可能的选择构成了一系列多视图重构任务，外循环可以被理解为从这个任务组中选择一个具体任务。为了简单起见，研究人员在这里将所有视图设计为线性投影。

mini-batch TTT 并行化

目前，开发的原生 TTT 层在浮点运算（FLOP）次数方面已经非常高效。

然而，其更新规则 W_t=W_t-1-ηΔℓ（W_t-1;x_t）无法实现并行化，因为 W_t在两个位置上依赖于 W_t-1：负号和 Δℓ。

对此，研究人员提出了 mini-batch 梯度下降，用 b 表示 TTT 批大小。

研究中使用 G_t=Δℓ（W_t';x_t），其中 t'=t-mod（t,d）代表着前一个 mini-batch 的最后一个时间步（或者第一个 mini-batch 0），因此，可以一次并行 b 个梯度计算。

对偶形式

上面介绍的并行化是必要的，但对于「实际运行时间」（wall-clock time）的效率来说还不够。

正如之前所述，可以对于 t = 1,...,b 进行并行计算：

然而，现实中，是无法对单个 matmul 来计算 G_tS 所有的 b。

相反，需要 b 个外积来对其进行一一计算。更糟糕的是，对于每个

，G_t是 d×d，这会比大 d x_t产生更大的内存占用和 I / O 成本。

为了解决这两个问题，研究人员观察到：我们实际上并不需要具体化 G₁,...,G_b，只要要我们可以在 mini-batch 结束时计算 W_b，并且输出 token z₁,...,z_b（如上图 7 所示）。

现在，就可以用上面简化的 TTT-Linear 情况来演示这些计算，表示 X = [x₁,...,x_b]：

所以 W_b可以用 matmul 方便地计算出来。为了计算 Z = [z₁,...,z_b]，我们知道：

表示

和矩阵

，可以得出：

如上过程，研究人员将其称为「对偶形式」。

理论等价

前面已经提到 f 可以是线性模型，也可以是神经网络。还有更新规则的三种变体：online GD、batch GD 和 mini-batch GD。

如下图所示，在这些 2×3 组合中，每一种都会引起 TTT 层的不同实例化。

研究中，作者分别从 2 个定理证明了在这些诱导实例中，具有线性模型和 batch GD 的 TTT 层等同于线性注意力 —— 一个广为人知的 RNN 层。

图 10 总结了所有序列建模层的更广泛范围内 TTT 层的一般定义。

两种变体

研究中，作者提出了 TTT 层的两种变体 TTT-Linear 和 TTT-MLP，仅在 f 的实例化方面有所不同。

对于 TTT-Linear，f_lin（x）=W_x，其中 W 是平方。对于 TTT-MLP，f_MLP有两层，类似于 Transfomer 的 MLP。

具体来说，隐藏维度是 4× 输入维度，然后是 GELU 激活。为了在 TTT 期间获得更好的稳定性，f 始终包含层归一化 (LN) 和残差连接。

即，f（x）=x + LN（f_res(x)），其中，f_res可以是 f_lin或 f_MLP。

实验

通过与两个基线 Transformer 和 Mamba（现代 RNN）比较，研究人员评估了 TTT-Linear 和 TTT-MLP。

数据集

继续 Mamba 论文之后，研究人员在 Pile 上执行了 2k 和 8k 上下文长度的标准实验，Pile 是一个用于训练开源 LLM 的流行文档数据集。

主架构

Transformer 和 Mamba 使用不同的，除非另有说明，TTT-Linear 和 TTT-MLP 始终使用 Mamba 架构。

短上下文：the Pile

在 2k 上下文中，TTT-Linear（M）、Mamba 和 Transformer 具有相当的性能，线条大部分重叠。

TTT-MLP（M）在较大的 FLOP 预算下表现稍差。尽管 TTT-MLP 在每个模型大小上，都比 TTT-Linear 具有更好的复杂度，但 FLOP 的额外成本抵消了这种优势。

在 8k 上下文中，TTT-Linear（M）和 TTT-MLP（M）的表现均明显优于 Mamba。即使是具有 Transformer 架构的 TTT-MLP（T），性能也比 Mamba 略好。

另外，研究人员还观察到了一个非常明显的现象：随着上下文长度变长，TTT 层相对于 Mamba 的优势就更大了。

长上下文：Books

为了评估长上下文中的功能，研究人员使用了 Pile 的一个流行子集 ——Books，对从 1k 到 32k 以 2 个增量的上下文长度进行了实验。

根据上图，可以观察到 ——

在 Books 的 2k 上下文中，Pile 2k 的所有观察结果仍然成立，唯一的例外是 Mamba 的表现略好于 TTT-Linear。

在 32k 上下文中，TTT-Linear（M）和 TTT-MLP（M）的性能均优于 Mamba，与 Pile 8k 的观察结果类似。即使具有 Transformer 架构的 TTT-MLP（T），在 32k 上下文中的表现也比 Mamba 稍好。

在 1.3B 尺度上，TTT-MLP（T）仅比 TTT-MLP（M）稍差。由于缺之清晰的线性拟合，很难推导出经验缩放定律。然而，TTT-MLP（T）的强劲趋势表明，Transformer 架构可能更适合超出评估的更大模型和更长上下文。

上下文长度作为超参数

虽然输入序列的长度由用户确定，但语言模型处理输入的上下文长度可以由工程师确定。因此，上下文长度也是一个可以选择的超参数。

对于具有线性复杂度的 LLM，研究人员选择了困惑度中的 argmin，因为每个上下文长度都有相同的 FLOP。

从图 13 中，可以观察到以下结果 ——

- 性能最好的方法 TTT-Linear 和 TTT-MLP 的线几乎完全重叠。Mamba 和 TF Finetune 的线在 10^20 FLOP 后也大部分重叠。

- TF Finetune 的性能明显优于 TF Pretrain，因为它受益于长上下文，而不会在训练 FLOP 中产生极大的成本。

- 对于所有从头开始训练的方法（包括 TF 预训练），一旦上下文长度变得太大，困惑度就会变得更糟。

从上图可见，与 TTT-Linear 相比，TTT-MLP 在短上下文中表现稍差，但在长上下文中表现更好。

这一观察结果正符合研究人员的预期，即作为隐藏状态的 MLP 比线性模型更具表现力。同样，所有方法都具有与 Mamba 1.4B 相同的训练 FLOP。

实际运行时间

LLM 训练和推理可以分解为前向、后向和生成。

由于前向（在训练和推理期间）和后向都可以并行化，因此研究人员使用对偶形式。生成新 token（也称为解码）本质上是顺序的，因此研究人员使用原始形式。

由于资源限制，这项实验是用 JAX 编写并在 TPU 上运行的。

然而，由于 Mamba（在 PyTorch、Triton 和 CUDA 中实现）只能在 GPU 上运行，因此为了公平比较，研究人员还重写了方法，以在 GPU 上运行。

具体来说，研究人员在 ThunderKittens 中编写了一个用于前向的 GPU 内核。从历史上看，由于并行性和矩阵相乘的使用不当，RNN 在前向和后向过程中效率低下。

这个前向内核的目标，是证明 mini-batch TTT 和这些问题对偶形式的有效性。

图 15 的左图显示了前向内核批大小为 16 的延迟。所有模型参数均为 1.3B（Mamba 为 1.4B）。

对于 Transformer，每个 token 的时间随着上下文长度的增加而线性增长，但对于其他方法则大致保持不变。

此外，研究人员在 Triton 中编写了另一个用于生成的 GPU 内核，并在图 15 的右图中对批大小为 512 的速度进行了基准测试。

可以看出，TTT-Linear 和 Mamba 的延迟几乎相同，明显小于 Transformer 和 TTT-MLP。

Mamba 之后，又看到 TTT 这么能打的新架构诞生，少不了 AI 社区的热议。

有网友称，这会不会是最接近实时上下文的方法？很想听听大家的想法。这意味着 TTT 甚至在使用过程中，也能够学习和适应，为长上下文提供更好的性能，而不会产生通常与 Transformer 相关的高昂计算成本。

OpenAI 视频生成研究人员对此表示，这项研究看起来很有趣。

如果 scaling law 依然存在，TTT 将带来难以置信的影响。对于长序列，Transformer 的计算成本往往很高，当长序列变得更长时，RNN 会遗忘。TTT 训练巧妙地利用神经网络解决 RNN 的不足。

作者介绍

论文最后，分别列出了这篇研究的作者贡献。

其中的核心作者是，Yu Sun、Xinhao Li 和 Karan Dalal。

Yu Sun

Yu Sun 是斯坦福大学计算机专业的博士后，导师是 Carlos Guestrin、Tatsu Hashimoto 和 Sanmi Koyejo。

此前，他曾在加州大学伯克利分校完成了电子工程科学博士学位，导师是 Alyosha Efros 和 Moritz Hardt。他还在康奈尔大学拿到了学士学位。

个人主页中，他介绍自己的研究重点是一种名为测试时间训练（test-time training）的算法框架。其核心思想是，每个测试实例都定义了自己的学习问题，都有自己的泛化目标。这通常使用自监督学习，为每个实例即时训练一个不同的模型来实现的。

在最新研究中，Yu Sun 与 Xinhao Li 在 2022 年 11 月共同启动了这一项目。自 2023 年 6 月起，Yu Sun 专职负责该项目。

他提出了项目的概念框架，设计了 mini-batch TTT 和对偶形式（dual form）。

Xinhao Li

Xinhao Li 是 UC San Diego 研二的学生，导师是 Xiaolong Wang 教授。他本人的研究兴趣主要是深度学习和计算机视觉。

他在斯坦福大学 Tatsunori Hashimoto 教授的团队中作为访问学生，与 Yu Sun 博士和其他导师朋友一起工作。在此之前，他曾在电子科技大学获得了学士学位。

在 2024 年 3 月之前，Xinhao Li 是 TTT 早期代码库的主要贡献者，这些代码库塑造了最新项目。

Karan Dalal

Karan Dalal 是 UC Berkeley 电子工程科学系的本科生。他于 2023 年 6 月全职加入该项目，与 Xinhao Li 合作共同领导了当前代码库的开发工作。

参考资料：

• https://x.com/karansdalal/status/1810338845659131940

• https://x.com/xiaolonw/status/1810387662060269668

• https://arxiv.org/abs/2407.04620

广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，IT之家所有文章均包含本声明。