与Sora一样能生成视频、图像，还能一次解读100万数据！

gythy1978

大语言模型（LLM）在生成文本内容方面非常强，但在理解、生成视频、图像等方面略显不足。尤其是在Sora一夜爆红之后，让人们意识到未来主流模型一定是文本+音频+图像+视频的多模态生成、理解功能。

因此，加州大学伯克利分校的研究人员开源了一种训练数据更多、理解能力更强的基础模型——大世界模型（Large World Model，简称“LWM”）。

LWM是一种通用的多模态自回归模型，与前不久谷歌发布的Gemini 1.5一样，一次性可精准解答100万tokens的视频、文本，例如，LWM可以正确回答1小时YouTube视频中包含500多个视频片段的问题。



开源地址：https://github.com/LargeWorldModel/LWM


论文地址：https://arxiv.org/abs/2402.08268


huggingface：https://huggingface.co/LargeWorldModel

此外，LWM可以精准检索100万tokens文本中的内容，同时与Sora一样具备文本生成视频、图像的能力。整体性能非常强悍，目前在github获得超6000颗星，有纯文本、视频、图像等多个版本模型可使用。



LWM模型介绍

在传统的注意力机制中，例如，Transformer架构中使用的自注意力，模型需要计算序列中每个元素对于其他所有元素的注意力得分，这就会面临两大难题。

1）内存需求上升：模型需要存储每一对元素间的注意力得分，会随着序列长度的增加而急剧增加内存需求。

2）计算复杂度：当序列很长时，会导致巨大的算力负担。

LWM的核心技术是通过Ring Attention（环形注意力）在长序列上进行扩展训练，并使用Books3 数据集从32000扩展到100万标记，而无需消耗额外的内存、算力并降低计算复杂度。

Ring Attention论文地址：https://arxiv.org/abs/2310.01889



尽管Ring Attention减少了每个片段的直接交互范围，但仍然允许信息在序列中传递，保持了模型对长距离依赖的捕捉能力，减少了长序列的处理损失度。

这也是LWM能处理高达100万tokens数据的原因之一。

Ring Attention主要功能

RingAttention是通过使用循环结构来扩展，注意力机制的上下文大小。传统的注意力机制在计算上下文相关性时，通常只关注序列中相对较近的位置。

但在处理长序列时，远距离的上下文信息也可能对模型的理解和推理能力至关重要。RingAttention通过引入环形结构来解决这个难题。

具体来说，使用了一种环形缓冲区来存储先前计算的注意力权重。模型可以在计算当前位置的注意力时，考虑到之前计算的位置的信息，从而无限扩展了上下文范围，主要功能模块如下。

环状分组：该模块将输入序列划分为多个环，每个环中的位置与其他环中的位置之间进行相关性计算。通过这种划分方式，可以有效降低计算复杂度。



环内注意力：在每个环内，该模块计算位置之间的相关性，并根据相关性的权重对位置进行加权。这样，每个位置都可以获得来自同一环的其他位置的信息。

环间注意力：这个模块负责计算不同环之间的相关性。通过将每个环的表示与其他环的表示进行比较，计算它们之间的相关性，这种跨环的交互有助于在不同环之间传递信息。

环间投影：在环间注意力之后，该模块将每个环的表示投影到一个共享的表示空间中，有助于进一步整合不同环之间的信息。

通过这些关键模块的协同工作，Ring Attention实现了对长序列的高效处理和建模，并为训练大规模模型提供了高效方法。

LWM训练流程与数据

第一阶段是语言模型的预训练,主要扩展语言理解的上下文长度。LWM使用了Books3数据集, 从32,000 tokens逐步扩展到100万tokens，同时针对长序列的聊天任务进行了微调。



第二阶段是多模态的预训练,将视觉信息整合到语言模型中。LWM使用了大量包含图像和视频的公开数据集,例如，LAION-2B、COYO-700M、WebVid10M等。

同时训练图像-文本、视频-文本等多种对齐格式。视频以每秒4帧的速度提取关键帧，特别针对32K、128K和1M tokens长度进行了优化训练。