ICLR 2025 Oral｜差分注意力機制引領(lǐng)變革，DIFF Transformer攻克長序列建模難題
近年來，Transformer 架構(gòu)在自然語言處理領(lǐng)域取得了巨大成功，從機器翻譯到文本生成，其強大的建模能力為語言理解與生成帶來了前所未有的突破。
然而，隨著模型規(guī)模的不斷擴大和應(yīng)用場景的日益復(fù)雜，傳統(tǒng) Transformer 架構(gòu)逐漸暴露出缺陷，尤其是在處理長文本、關(guān)鍵信息檢索以及對抗幻覺等任務(wù)時，Transformer 常常因過度關(guān)注無關(guān)上下文而陷入困境，導(dǎo)致模型表現(xiàn)受限。
為攻克這一難題，來自微軟和清華的研究團隊提出了 DIFF Transformer，一種基于差分注意力機制的創(chuàng)新基礎(chǔ)模型架構(gòu)。
- 論文標(biāo)題：Differential Transformer
- 論文鏈接：https://openreview.net/pdf?id=OvoCm1gGhN
- 代碼鏈接：https://aka.ms/Diff-Transformer
其核心思想是通過計算兩組 Softmax 注意力圖的差值來放大對關(guān)鍵上下文的關(guān)注，同時消除注意力噪聲干擾。DIFF Transformer 具備以下顯著優(yōu)勢：
在語言建模任務(wù)中，DIFF Transformer 在模型大小、訓(xùn)練 token 數(shù)量等方面展現(xiàn)出了卓越的可擴展性，僅需約 65% 的模型規(guī)?；蛴?xùn)練 token 數(shù)量即可達到與傳統(tǒng) Transformer 相當(dāng)?shù)男阅?，大幅提升了語言模型通用表現(xiàn)。
在長文本建模、關(guān)鍵信息檢索、數(shù)學(xué)推理、對抗幻覺、上下文學(xué)習(xí)、模型激活值量化等一系列任務(wù)中，DIFF Transformer 展現(xiàn)了獨特優(yōu)勢，相比傳統(tǒng) Transformer 有顯著提升。
DIFF Transformer 的特性使其在自然語言處理領(lǐng)域具有廣闊的應(yīng)用前景，有望成為推動語言模型發(fā)展的新動力。此外，已有跟進研究初步驗證方法在視覺、多模態(tài)等領(lǐng)域中的有效性，顯示出其跨模態(tài)通用的潛力。該研究已被 ICLR 2025 接收，并獲選為 Oral 論文（入選比例 1.8%）。
方法
本文提出了一種名為 Differential Transformer（DIFF Transformer） 的基礎(chǔ)模型架構(gòu)，旨在解決傳統(tǒng) Transformer 在長文本建模中對無關(guān)上下文過度分配注意力的問題。該方法通過差分注意力機制（Differential Attention）放大對關(guān)鍵上下文的關(guān)注，同時消除注意力噪聲，從而顯著提升模型在多種任務(wù)中的性能。
差分注意力機制
傳統(tǒng) Transformer 的注意力機制通過 Softmax 函數(shù)對輸入序列中的不同 token 進行加權(quán)，但 Softmax 的性質(zhì)導(dǎo)致模型難以完全消除無關(guān)上下文的影響。為了克服這一問題，DIFF Transformer 引入了差分注意力機制。
具體而言，該機制將查詢向量（Query）和鍵向量（Key）在注意力頭（Head）維度分為兩組，分別計算兩組的 Softmax 注意力圖，然后計算兩者的差值作為最終的注意力分數(shù)。這一設(shè)計類似于電子工程中的差分放大器，以及降噪耳機，通過兩組信號相減以消除共有噪聲。
差分注意力的數(shù)學(xué)表達如下：
其中，
和
分別是兩組查詢和鍵向量，
是值向量，
是一個可學(xué)習(xí)的標(biāo)量參數(shù)，用于調(diào)節(jié)兩組注意力圖的權(quán)重。計算過程如圖 1 所示。
圖 1. 差分注意力機制圖示與偽代碼
為了同步學(xué)習(xí)速率，將
重參數(shù)化為：
其中，
是可學(xué)習(xí)的向量，而
是用于初始化的常數(shù)。
多頭差分注意力
為了進一步提升模型的表達能力，DIFF Transformer 采用了多頭機制。每個注意力頭獨立計算差分注意力，并將多頭輸出拼接為最終結(jié)果。具體實現(xiàn)如下：
其中
是注意力頭的數(shù)量，
是輸出投影矩陣。為了保持與 Transformer 梯度一致，DIFF Transformer 在每個頭的輸出后應(yīng)用了獨立的歸一化層，采用 RMSNorm 實現(xiàn)。
圖 2. Transformer 與 DIFF Transformer 注意力分數(shù)分布可視化
圖 2 展示了 DIFF Transformer 和傳統(tǒng) Transformer 在注意力分數(shù)分配上的顯著差異。作者將一段關(guān)鍵信息插入大段不相關(guān)文本的中間位置，并對模型抽取關(guān)鍵信息時的注意力分數(shù)分配進行可視化。
傳統(tǒng) Transformer 的注意力分數(shù)被廣泛分配到整個上下文中，只有極少分數(shù)分配至關(guān)鍵信息；而 DIFF Transformer 能夠?qū)⒏叩姆謹?shù)集中在目標(biāo)答案上，并且?guī)缀醪幌驘o關(guān)上下文分配注意力。
注意力分數(shù)分配的稀疏性與精準(zhǔn)性也使得 DIFF Transformer 在處理長文本關(guān)鍵信息檢索任務(wù)時顯著優(yōu)于 Transformer。
實驗
作者通過一系列實驗驗證了 DIFF Transformer 在多個方面的卓越性能，證明了其在大語言模型中應(yīng)用的獨特潛力與優(yōu)勢。
語言建模
作者研究了 DIFF Transformer 在擴展模型規(guī)模和訓(xùn)練數(shù)據(jù)量時的性能，如圖 3 所示。實驗表明，DIFF Transformer 僅需約 65% 的參數(shù)規(guī)?；蛴?xùn)練數(shù)據(jù)量即可達到與 Transformer 相當(dāng)?shù)恼Z言建模性能。例如，6.8B 參數(shù)規(guī)模的 DIFF Transformer 在語言建模損失上與 11B 參數(shù)規(guī)模的 Transformer 相當(dāng)。
圖 3. 語言建模上的模型參數(shù)、訓(xùn)練數(shù)據(jù)量可擴展性實驗
長文本建模
作者將模型擴展到 64K 上下文長度，并在長文本書籍?dāng)?shù)據(jù)上進行了評估。結(jié)果顯示，考慮累積平均負對數(shù)似然（NLL）指標(biāo)， DIFF Transformer 在不同序列位置上均優(yōu)于 Transformer，能夠更有效地利用長上下文信息。
圖 4. 長文本書籍?dāng)?shù)據(jù)模型性能評估
關(guān)鍵信息檢索
作者通過「多針檢索」（Multi-Needle Retrieval）實驗評估了模型從大量上下文中提取關(guān)鍵信息的能力，如圖 5 所示。實驗表明，DIFF Transformer 在不同上下文長度和答案深度下均表現(xiàn)出更高的準(zhǔn)確率，尤其是在文本較長以及答案位于文本更靠前位置時，優(yōu)勢更為明顯。例如，在 64K 上下文中，DIFF Transformer 在答案位于 25% 深度時的準(zhǔn)確率比 Transformer 高出 76%。此外，統(tǒng)計信息顯示，DIFF Transformer 在注意力分數(shù)分配上也表現(xiàn)出更高的聚焦能力，能夠準(zhǔn)確定位關(guān)鍵信息，并展現(xiàn)了更高的信噪比。
圖 5. 多針檢索評估
上下文學(xué)習(xí)
作者從兩個角度評估了 DIFF Transformer 的上下文學(xué)習(xí)能力：多樣本上下文學(xué)習(xí)和樣本順序魯棒性測試。 如圖 6 所示，在多樣本上下文學(xué)習(xí)任務(wù)中，作者使用了 4 個不同的數(shù)據(jù)集（TREC、TREC-fine、Banking-77 和 Clinic-150），并逐步增加示例數(shù)量，直到總長度達到 64K tokens。結(jié)果顯示，DIFF Transformer 在不同數(shù)據(jù)集上均優(yōu)于 Transformer，平均準(zhǔn)確率提升顯著。
圖 6. 多樣本上下文學(xué)習(xí)
在魯棒性測試中，作者通過打亂示例順序的方式評估了模型的性能穩(wěn)定性。如圖 7 所示，DIFF Transformer 在不同示例排列下的性能方差顯著低于 Transformer，表明其對輸入順序的敏感性更低，具有更強的魯棒性。
圖 7. 樣本順序魯棒性測試
幻覺評測
作者利用文本摘要和問答任務(wù)作為兩個典型的幻覺評測場景，評估了 DIFF Transformer 在降低大模型幻覺（hallucination）方面的表現(xiàn)。結(jié)果如圖 8 所示，DIFF Transformer 在生成摘要和回答問題時顯著提升了準(zhǔn)確率，減少了幻覺現(xiàn)象。這是因為差分注意力機制能夠準(zhǔn)確定位重要文段，避免無關(guān)上下文對模型預(yù)測的干擾。
圖 8. 利用文本摘要、問答任務(wù)進行幻覺評測
異常激活值分析
作者還發(fā)現(xiàn) DIFF Transformer 能夠顯著減少模型激活中的異常值，這為模型激活值的量化提供了新的可能性。實驗表明，DIFF Transformer 在注意力激活值（attention logits）和隱藏狀態(tài)（hidden states）中的最大激活值顯著低于 Transformer。例如，在注意力激活值的 Top-1 激活值上，DIFF Transformer 比 Transformer 低了近 8 倍。利用這一性質(zhì)，DIFF Transformer 在注意力激活值的低比特量化下的性能也優(yōu)于 Transformer，如圖 9 所示。
圖 9. 注意力激活值的低比特量化
數(shù)學(xué)推理能力
作者在數(shù)學(xué)推理任務(wù)上進一步驗證了 DIFF Transformer 的性能。作者采用兩階段訓(xùn)練，在 3B 預(yù)訓(xùn)練模型的基礎(chǔ)上進行有監(jiān)督微調(diào)，并在 MATH 等 8 個數(shù)學(xué)數(shù)據(jù)集上評測模型性能。在第一階段，采用 20B token 合成數(shù)學(xué)數(shù)據(jù)對模型進行微調(diào)，使模型獲得基礎(chǔ)數(shù)學(xué)能力，評測結(jié)果如圖 10 所示。從 15B token 開始，DIFF Transformer 展現(xiàn)出了顯著優(yōu)于 Transformer 的數(shù)學(xué)能力，至 20B token 結(jié)束的時候，準(zhǔn)確率的差距達到了 11% 左右。
圖 10. 第一階段數(shù)學(xué)合成數(shù)據(jù)微調(diào)
在第二階段，作者利用 Deepseek-R1 輸出所構(gòu)造的數(shù)據(jù)集 OpenThoughts-114K-Math 對模型進行蒸餾，使模型更強大的深度推理能力。如圖 11 所示，在 8 個數(shù)據(jù)集上，DIFF Transformer 相較 Transformer 均有不同程度的提升，平均準(zhǔn)確率提升了 7.5%，這表明差分注意力機制更強大的上下文建模能力在推理任務(wù)中也至關(guān)重要。
圖 11. 第二階段深度推理能力評測
討論與未來工作
DIFF Transformer 自發(fā)布以來獲得了較大關(guān)注與討論。作者在 Hugging Face 論文討論平臺、alphaXiv 平臺上與社區(qū)開展了深入的探討。在 X 平臺（原 Twitter）上，Google DeepMind 高級研究科學(xué)家（Senior Staff Research Scientist）Petar Veli?kovi? 與作者就文章中的理論分析展開討論，ViT 核心作者 Lucas Beyer 也在閱讀文章后撰寫了一篇深入的論文總結(jié)，相關(guān)發(fā)帖已獲得數(shù)十萬瀏覽。目前 DIFF Transformer 也已集成至 Hugging Face 的 transformers 庫中。
- Hugging Face：https://huggingface.co/papers/2410.05258
- alphaXiv：https://www.alphaxiv.org/abs/2410.05258v1
- Petar Veli?kovi?：https://x.com/PetarV_93/status/1874820028975267866
- Lucas Beyer：https://x.com/giffmana/status/1873869654252544079
- transformers庫：https://github.com/huggingface/transformers/tree/main/src/transformers/models/diffllama
未來工作方面，作者認為可以利用 DIFF Transformer 的性質(zhì)設(shè)計低比特注意力算子，以及利用差分注意力的稀疏特性進行鍵值緩存（key-value cache）的剪枝。此外，將 DIFF Transformer 應(yīng)用在除語言以外的其他模態(tài)上也值得探索。近期工作 DiffCLIP 將差分注意力擴展至視覺、多模態(tài)領(lǐng)域，揭示了 DIFF Transformer 在不同模態(tài)任務(wù)中的更多結(jié)構(gòu)特性與應(yīng)用潛力。
- DiffCLIP：https://arxiv.org/abs/2503.06626
總結(jié)
本文的貢獻主要在兩個方面：
（1）DIFF Transformer 通過創(chuàng)新的差分注意力機制，有效解決了傳統(tǒng) Transformer 在處理文本時受到噪聲干擾、注意力分配不準(zhǔn)確的問題；
（2）憑借對關(guān)鍵信息的關(guān)注和對噪聲的抵御能力，DIFF Transformer 在語言建模、長文本建模、關(guān)鍵信息檢索、數(shù)學(xué)推理、對抗幻覺、上下文學(xué)習(xí)、模型激活值量化等任務(wù)中表現(xiàn)出色，有望在自然語言處理、多模態(tài)等領(lǐng)域作為基礎(chǔ)模型架構(gòu)。
