本博客介紹了五個基本概念，闡述了大語言模型如何處理上下文窗口中的輸入。通過明確的例子和實(shí)踐中獲得的見解，本文介紹了多個與上下文窗口有關(guān)的基本概念，如詞元化、序列長度和注意力等。本文的目標(biāo)是幫助讀者深入了解 AI 應(yīng)用程序中的上下文如何影響模型行為。我們還通過用于評估系統(tǒng)行為的分析模型展示了相關(guān)結(jié)果，以演示當(dāng)改變輸入和輸出序列長度時，對應(yīng)的響應(yīng)時間如何改變。演示結(jié)果表明，解碼更長的輸出需要花費(fèi)更多時間。這意味著，在執(zhí)行大規(guī)模高效推理時，HBM 等高速內(nèi)存系統(tǒng)至關(guān)重要。對于正在使用或設(shè)計生成式 AI 系統(tǒng)提示詞的人，這些概念都非常有幫助。

上下文窗口與上下文長度

使用大語言模型時，我們有必要了解上下文窗口、上下文長度和序列長度等概念之間的差別。這些術(shù)語經(jīng)常被互換使用，可能會讓一些人感到迷惑。在本博客中，我們將把它們定義為不同的概念。

上下文窗口是模型的最大容量，也就是模型可以同時處理的詞元總數(shù)，包括您的輸入和模型的輸出。舉個簡單的例子：我們將下面的矩形大小定義為可容納 10 萬個詞元的上下文窗口。

圖 1：10 萬詞元上下文窗口的大小

上下文長度則是指您在該空間中放置了多少詞元，即您與模型對話期間當(dāng)前實(shí)際使用過的詞元數(shù)量，包括輸入詞元（藍(lán)色）和輸出詞元（綠色）。例如，如果模型具有可容納 10 萬個詞元的上下文窗口，并且您的輸入使用了 7.5 萬個詞元，那么，只有 2.5 萬個詞元可用于模型的響應(yīng)，繼續(xù)輸出便會超出窗口的上限。

序列長度通常是指上下文窗口內(nèi)單個輸入或輸出序列的長度。這是一種更精細(xì)的測量方法，可在模型訓(xùn)練和推理過程中跟蹤每個文本段的長度。

圖 2：7.5 萬個輸入詞元和 2.5 萬個輸出詞元

上下文窗口決定了模型可以處理的信息量上限，但它并不直接反映模型的智能水平。窗口越大，可容納的輸入信息就越多，但輸出質(zhì)量往往取決于輸入信息的結(jié)構(gòu)化程度與實(shí)際利用效率。一旦達(dá)到窗口的容量上限，模型在處理時可能會失去連貫性，進(jìn)而導(dǎo)致不理想的結(jié)果（例如，AI 幻覺）。

圖 3：輸入和輸出序列長度

詞元不是單詞

如果上下文窗口由一個上限（例如 10 萬個）來定義，那么詞元就是衡量其容量的計量單位。重要的是，我們需要理解：詞元并非單詞。您在提示詞中輸入的單詞將首先進(jìn)入一個“詞元分詞器”中，該分詞器將把文本分解為詞元。一個單詞可能會分解成幾個詞元。例如，“strawberry”會分解成三個詞元，“trifle”則會分解成兩個詞元。有時候，一個單詞可能只包含一個詞元，例如“cake”。

我們可以用簡·奧斯汀的小說《愛瑪》中的句子來測試單詞與詞元的關(guān)系。

“Seldom, very seldom, does complete truth belong to any human disclosure; seldom can it happen that something is not a little disguised or a little mistaken.”

這段文本包含 26 個單詞，當(dāng)我們使用 lunary.ai1提供的 Mistral 語言模型來處理這段文本時，模型自帶的詞元分詞器將生成 36 個詞元。這個例子中，每個詞元大約對應(yīng) 0.72 個單詞，或者說大約對應(yīng)四分之三個單詞。

不同類型的文本中，詞元與單詞的比例各不相同。不過，就英語單詞而言，每個詞元平均對應(yīng)大約 0.75 個單詞。因此，擁有 10 萬詞元上下文窗口（每用戶）的模型不一定能處理 10 萬個單詞。在實(shí)際應(yīng)用中，該模型也許只能處理將近 7.5 萬個英語單詞，或者更少，具體取決于文本類型。

估計值詞元數(shù)≈單詞數(shù)?1.33

為進(jìn)一步在更大規(guī)模上測試詞元與單詞的比率，我們使用了來自“古騰堡計劃”（Project Gutenberg，一個包含超過 7.5 萬本免費(fèi)電子書的圖書館）的八部知名文學(xué)作品，對其中的文本進(jìn)行了快速分析。首先，我們計算了每本書中的單詞數(shù)，然后通過詞元分詞器運(yùn)行全部文本，以獲得詞元數(shù)。在對這些數(shù)字進(jìn)行比較后，我們發(fā)現(xiàn)，每詞元平均對應(yīng)大約 0.75 個單詞。

a數(shù)據(jù)來自于上列美國和英國文學(xué)作品的純文本版本（通過“古騰堡計劃”獲得）。詞元數(shù)通過 Lunary 公開提供的 OpenAI 詞元分詞器進(jìn)行計算1。詞元數(shù)與單詞數(shù)的平均比例（1 詞元 ≈ 0.75 單詞）通過八部文學(xué)作品得到了驗(yàn)證。

了解詞元數(shù)與單詞數(shù)的平均比例，可以讓經(jīng)常使用 AI 的用戶更有效地與 AI 互動。大多數(shù) AI 平臺（如 ChatGPT 或 Claude）在提供服務(wù)時都有詞元總數(shù)限制。也就是說，這些平臺使用詞元而非單詞來處理文本。這就導(dǎo)致用戶很容易誤判實(shí)際上可以輸入的提示詞單詞量，或者 AI 響應(yīng)時輸出的單詞數(shù)量。由于平臺通常以詞元而非單詞來衡量輸入輸出的內(nèi)容量，因此了解詞元與單詞的比率，可以讓您更好地理解平臺的限制，從而更巧妙地規(guī)劃您的輸入。例如，如果一個模型的輸入限制為 4,000 詞元，則大約對應(yīng) 3,000 單詞。在為模型提供長文檔或數(shù)據(jù)集時，最好了解這一點(diǎn)，以便更有效地完成諸如查找關(guān)鍵見解或回答問題等任務(wù)。

圖 4：單詞與詞元的比率

注意力在上下文窗口內(nèi)并非均勻分布

人們經(jīng)常會誤解 AI 幻覺，將其視為模型的異常行為，或者將其作為語言模型存在問題以及不可靠的證據(jù)。但 AI 幻覺并非隨機(jī)產(chǎn)生的；它們往往源于模型如何處理信息以及優(yōu)先處理哪些信息，而這又取決于模型的訓(xùn)練效果、注意力分配機(jī)制等因素。在 GPT 或 Claude 等基于轉(zhuǎn)換器的模型中，注意力是一種機(jī)制，用來幫助模型決定上下文中的哪些部分與用戶的意圖最相關(guān)，然后據(jù)此生成響應(yīng)。為了更好地理解注意力的概念，設(shè)想您現(xiàn)在正身處一個嘈雜的雞尾酒會上。如果旁邊有人叫您的名字，您會本能地集中注意力。

“Frodo! 來這里！”

但是，如果四個人從房間的不同角落同時叫您的名字，情況又如何呢？

“Frodo！我是 Sam！”

“Frodo！快過來！”

“Frodo！看這邊。”

“Frodo……啊，親愛的 Frodo……”

您聽到了所有這些招呼，但您的注意力現(xiàn)在被分散了。您可能更關(guān)注熟悉的聲音，或者距離您最近的聲音。每個聲音都讓您分出了一部分注意力，但這些部分的大小并不相同。這個例子并不完全貼切，但可以幫助我們理解大語言模型中注意力的運(yùn)作方式。模型會分配注意力給上下文窗口中的所有詞元，但其中一些詞元的權(quán)重高于其他詞元。這就是為什么大語言模型中的注意力通常被描述為“加權(quán)式”，這意味著并非所有詞元都獲得了同樣的注意力。這種不均勻分配是理解模型如何優(yōu)先處理信息，以及它們有時似乎會“走神”的關(guān)鍵。

更多上下文不一定意味著更好的答案

模型會掃描上下文窗口內(nèi)的所有詞元，但它不會為每個詞元分配相等的注意力。隨著窗口中的內(nèi)容越來越多（例如，多達(dá) 10 萬個詞元），模型的注意力會變得更加分散。模型試圖跟蹤所有詞元，這可能導(dǎo)致模型失去清晰的目標(biāo)。

當(dāng)這種情況發(fā)生時，模型會逐漸偏離當(dāng)前對話，用戶可能會感覺到回應(yīng)變慢、不太連貫，甚至出現(xiàn)混淆對話前后內(nèi)容的情況。這個時候，AI 經(jīng)常會出現(xiàn)“幻覺”（Hallucinations，源自拉丁詞 hallucinat，原意為“思想進(jìn)入歧途”）。重要的是，我們要明白，這并不是模型出現(xiàn)故障的跡象。這實(shí)際上標(biāo)志著模型已接近其能力閾值，正在滿負(fù)荷運(yùn)行。在此節(jié)點(diǎn)上，模型可能難以在過長的輸入中保持連貫性或相關(guān)性。

從模型的角度來看，先前輸入的詞元仍然可見。但隨著窗口內(nèi)容的增加，注意力的分散，響應(yīng)的精度可能會降低。模型可能會將先前提示詞中提到的事實(shí)錯誤地放到當(dāng)前問題中，或者將不相關(guān)的想法融合到輸出中，使輸出看起來很連貫但卻毫無意義。在出現(xiàn)幻覺的情況下，模型不是在撒謊。它正在試圖從無法清晰區(qū)分的大量片段中得出合理的響應(yīng)，在注意力不足的情況下進(jìn)行猜測。公允地說，模型其實(shí)是在基于現(xiàn)有信息努力運(yùn)作，試圖理解一段已超出其可靠處理能力的冗長對話。通過這種方式來理解注意力，有助于解釋為什么更多上下文并不一定意味著更好的答案。2

話雖如此，較長的上下文窗口（超過 20 萬詞元，目前已經(jīng)有模型支持 100 萬或更多詞元）也可能確實(shí)非常有用，特別是對于復(fù)雜的推理以及視頻處理等新興應(yīng)用。一些新模型正在接受訓(xùn)練，旨在更有效地處理更長的上下文。通過優(yōu)化架構(gòu)和訓(xùn)練，模型可以更有效地管理對輸入的注意力，減少幻覺，提高響應(yīng)的質(zhì)量。因此，盡管更多的上下文并不一定帶來更好的答案，但新模型在保持注意力方面表現(xiàn)得越來越好，即使在處理特別長的對話時也是如此。

序列長度影響響應(yīng)時間

在解析注意力機(jī)制之后，了解序列長度如何影響模型推理同樣很有幫助?，F(xiàn)在，我們可以問一個很實(shí)用的問題：當(dāng)我們改變序列長度時，會發(fā)生什么？

輸入序列長度會影響首詞元時延 (TTFT)——即從輸入請求到收到第一個輸出詞元的時間。TTFT 與 GPU 性能密切相關(guān)，因?yàn)樗从沉?GPU 處理輸入、執(zhí)行計算，然后輸出第一個詞元的速度。而改變輸出序列長度會影響詞元間延遲 (ITL)——兩個相繼生成的詞元之間的時間。b該延遲與內(nèi)存的使用情況關(guān)系更大。

為進(jìn)一步探究這一點(diǎn)，我們使用了一階分析模型，來估計大語言模型推理期間的端到端延遲。我們在單個 GPU 上使用 Llama 3 70B 來運(yùn)行該模型，該 GPU 帶有高帶寬內(nèi)存（HBM3E 12H，8 層堆疊，36GB 容量），模型的上下文窗口為 128,000 個詞元。c

b關(guān)鍵推理指標(biāo)：首詞元時延 (TTFT)：模型在收到輸入后到開始生成輸出所需的時間（預(yù)填充性能）。詞元間延遲 (ITL)：兩個相繼生成的詞元之間的時間（解碼性能）。端到端延遲：從提交查詢到收到完整響應(yīng)所需的時間。3

c性能估算基于內(nèi)部分析模型，旨在近似模擬推理行為。本研究中構(gòu)建的系統(tǒng)基于估計的 GPU 配置，該配置反映了市售硬件平臺的一般特性。所選配置不代表任何特定產(chǎn)品，僅用于支持本分析中的技術(shù)目標(biāo)。這些估算值并不反映經(jīng)過優(yōu)化的軟件或硬件配置，因此可能與實(shí)際結(jié)果不同。

下圖顯示了輸入序列長度 (ISL) 和輸出序列長度 (OSL) 逐漸增加時對整個端到端延遲的影響。每次測量的批量大小為 1（即單個請求）。所需能耗較少。

圖 5：不同輸出和輸入序列長度對應(yīng)的每用戶端到端延遲（秒）

關(guān)鍵要點(diǎn)

測量延遲時的一個重要結(jié)論是，模型生成長響應(yīng)所需的時間，要遠(yuǎn)遠(yuǎn)超過處理長提示詞時所需的時間。該模型能夠一次性讀取和理解輸入，即使是特別長的提示詞，處理速度也相對較快。但是，在模型生成響應(yīng)時，是逐詞元依次生成的，每個新詞元的生成，都取決于之前已經(jīng)生成的所有內(nèi)容。這需要更多的時間，因?yàn)槟Ｐ蜁?zhí)行自動回歸流程，這意味著每個新詞元都建立在之前生成的所有詞元基礎(chǔ)上。例如，將輸入序列長度 (ISL) 從 2,000 個詞元增加到 125,000 個詞元，僅導(dǎo)致延遲增加大約兩倍。相比之下，在同樣范圍內(nèi)增加輸出序列長度 (OSL)，延遲將增加大約 68 倍。d之所以產(chǎn)生這種差異，是因?yàn)檩^長的輸入序列引發(fā)了更多預(yù)填充計算，可并行處理多個詞元。與之相反，解碼在本質(zhì)上是一個串行過程，只能依次生成每一個詞元，這需要耗費(fèi)更多時間，以及更多的內(nèi)存帶寬。

這意味著更長的輸出序列會導(dǎo)致更長的解碼時間，同時 GPU 和內(nèi)存子系統(tǒng)保持活躍狀態(tài)的時間也會變長。這種情況下，硬件級別的功效將會變得特別重要。類似美光 HBM3Ee 這樣的內(nèi)存設(shè)備，其運(yùn)行功耗比同類高帶寬內(nèi)存設(shè)備低得多，能夠以較少的能量完成相同的推理任務(wù)。

d此處給出的估計值來自未優(yōu)化的分析模型，因此它們僅用于說明一般趨勢，而非峰值性能。

e美光 HBM3E 的功耗比市場上同類高帶寬內(nèi)存設(shè)備低 30%。

對用戶而言，上述結(jié)論彰顯出優(yōu)化提示詞以及管理輸入長度（例如，精簡任何不必要的內(nèi)容）的重要性。如果您正在構(gòu)建實(shí)時應(yīng)用程序，您通?？梢苑判奶幚砀L的輸入，不會有太多問題。而保持簡潔的輸出，可能有助于您的系統(tǒng)運(yùn)行更快，響應(yīng)更迅速。

內(nèi)存在處理更長上下文時的重要作用

推理延遲不僅取決于序列長度，還取決于系統(tǒng)在處理輸入和生成輸出時如何管理模型對計算和內(nèi)存的需求。許多近期發(fā)布的語言模型正在宣傳其超過百萬詞元的上下文窗口。這些較大的上下文窗口（當(dāng)完全利用時）將對內(nèi)存子系統(tǒng)產(chǎn)生更大的壓力，其后果在用戶看來可能包括執(zhí)行速度較慢、運(yùn)行時間增加等。新一代內(nèi)存技術(shù)將提供更高的帶寬和更大的容量，可支持這些更大的上下文窗口，幫助縮短響應(yīng)時間，提高整體吞吐量（每秒生成的詞元數(shù)）。但是，伴隨著這些性能提升，也出現(xiàn)了系統(tǒng)能耗過大的問題。隨著推理工作負(fù)載擴(kuò)大到支持?jǐn)?shù)百萬個詞元，設(shè)計出能夠高效使用能源的系統(tǒng)，變得越來越重要。長時間保持活動狀態(tài)的系統(tǒng)需要消耗更多能源，為解決這一挑戰(zhàn)，需要同時具備高帶寬和低功耗特性的內(nèi)存設(shè)備。例如，美光 HBM3E 的功耗遠(yuǎn)低于市場上的同類高帶寬內(nèi)存設(shè)備。此類低功耗產(chǎn)品有助于減少 AI 在運(yùn)行推理工作負(fù)載（涉及數(shù)百萬詞元上下文窗口）期間所消耗的能量。展望未來，HBM4 和 HBM4E 等下一代內(nèi)存技術(shù)旨在提供更高的內(nèi)存帶寬和容量，同時提高能效。這些改進(jìn)源于工藝技術(shù)的進(jìn)步（美光使用 1-gamma DRAM），預(yù)計將以更低的能源成本實(shí)現(xiàn)更快的數(shù)據(jù)移動。此外，隨著這些技術(shù)的成熟，可能會進(jìn)一步減少延遲，提高大規(guī)模 AI 部署的吞吐量并節(jié)約能源。

技術(shù)貢獻(xiàn)者

Felippe Vieira Zacarias

系統(tǒng)性能工程師

Shanya Chaubey

生態(tài)系統(tǒng)開發(fā)經(jīng)理

本文作者

Evelyn Grevelink

內(nèi)容戰(zhàn)略營銷負(fù)責(zé)人