懂AI
LongRoPE

LongRoPE

扩展大语言模型上下文窗口至200万以上标记的方法

LongRoPE项目提出了一种将大语言模型（LLM）上下文窗口扩展至超过200万个标记的方法。通过利用位置嵌入中的非均匀性，项目实现了8倍的上下文窗口扩展，无需微调。采用逐步扩展策略从256k微调至2048k上下文，避免了对超长文本的直接微调。LongRoPE还调整了原始窗口长度内的嵌入，确保在各种任务中保持高效表现，适用于对话、问答、长文档摘要及少样本学习。

LongRoPE大语言模型上下文窗口位置编码TransformerGithub开源项目
GitHub论文

LongRoPE 项目介绍

项目简介

LongRoPE 项目提出了一种创新方法，旨在将大型语言模型（LLMs）的上下文窗口扩展到超过200万个令牌。这项技术通过识别和利用位置嵌入中的两种非均匀形式，在插值过程中最小化信息损失，从而实现上下文的8倍扩展，而无需重新微调。此外，LongRoPE通过一种高效的渐进扩展策略，从256k微调到2048k上下文，而不是直接对极大的上下文进行微调。该技术适用于多种模型，如LLaMA2和Mistral，实验表明它在4k到2048k的上下文长度中依然表现出色。

项目描述

Transformer架构在处理大规模上下文时常面临自注意力计算的二次复杂性和无法泛化到训练时未见过的令牌位置的困扰。虽然已有诸如RoPE、AliBi和注意力陷阱等方法被提出来解决这些问题，但尚无一项技术能在保持模型准确度的前提下有效扩展到数百万个令牌的上下文。

LongRoPE通过渐进扩展策略来达成2048k上下文窗口，无需在极长文本上直接进行微调（这些文本极其罕见且难以获取）。从256k上下文长度开始对预训练的LLM进行微调性启动，再根据需要调整RoPE重缩因子以适应较短的上下文，并通过搜索算法来实现最小化位置插值以保持性能。

实施亮点

LongRoPE的实现包括：

  • 能够通过更多示例实现上下文学习，提升LLM的推理能力。
  • 构建能够利用更长上下文进行对话和问答任务的LLM代理。
  • 利用完整文档上下文进行长文档的总结。
  • 提供更多上下文示例来改进少样学习。
  • 采用完整的上下文窗口实现长期记忆。

模型架构

LongRoPE模型架构改变了大型语言模型的上下文窗口限制，通过渐进扩展策略和位置嵌入调整来实现扩展。关键创新在于：

  • **旋转位置编码（RoPE）：**提供了一种高效的位置信息编码方式。
  • **非均匀插值：**确保在上下文扩展过程中信息损失最小化。
  • **渐进扩展策略：**从256k上下文长度开始，以稳定性和性能为目标，逐步提高至目标长度。

性能和应用

LongRoPE在涉及长上下文的任务中表现出出色的表现，维持了较低的困惑度和高精度。这使得它可以适用于各类应用，包括上下文学习、长文档总结和少样学习。

实验结果

LongRoPE的实际实现取得了以下成果：

  1. 困惑度：

    • 4k上下文：0.XX
    • 128k上下文：0.XX
    • 2048k上下文：0.XX

  2. 关键检索精度：

    • 4k上下文：XX%
    • 128k上下文：XX%
    • 2048k上下文：XX%

  3. 准确性：

    • 4k上下文：XX%
    • 128k上下文：XX%
    • 2048k上下文：XX%

该项目有望在各种需要长上下文的自然语言处理任务中发挥重要作用，进一步推动LLM的应用发展。

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器，提供智能录入、自动公式、数据整理、图表生成等功能，高效处理 Excel 任务，提升办公效率。支持自动高亮数据、批量计算、不规则数据录入，适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用，可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用，基于 UI-TARS（视觉语言模型）构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能，支持跨平台使用（Windows/MacOS），能提供实时反馈和状态显示，且数据完全本地处理，保障隐私安全。该应用集成了多种大语言模型和搜索方式，还可进行文件系统操作。适用于需要智能交互和自动化任务的场景，如信息检索、文件管理等。其提供了详细的文档，包括快速启动、部署、贡献指南和 SDK 使用说明等，方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目，支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项，可调整分辨率、扩散步数等参数，还能对提示词进行增强。使用了多种先进技术和工具，在视频和图像生成领域具有广泛应用前景，适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具，助力用户轻松创作高颜值图表

爱图表（aitubiao.com）就是AI图表，是由镝数科技推出的一款创新型智能数据可视化平台，专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型，爱图表结合强大的数据处理能力与智能化功能，致力于帮助职场人士高效处理和表达数据，提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型，支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型，支持图像和视频输入，可用于多种场景，如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式，还包含了视觉处理工具，有助于开发者快速集成和使用，提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力，支持多种分辨率和视频长度选择，能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法，可灵活调整生成参数，满足不同场景的需求，是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI，支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目，它集成了多种大型语言模型，支持自定义浏览器使用，具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务，无论是数据提取、网页导航还是表单填写等操作都能高效实现，有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用，在 SEO 优化方面，其关键词涵盖浏览器使用、WebUI、大型语言模型集成等，有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目，支持多种网络连接与协议，实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目，专注于人工智能语音交互领域。项目涵盖了丰富的功能，如网络连接、OTA 升级、设备激活等，同时支持多种语言。无论是开发爱好者还是专业开发者，都能借助该项目快速搭建起高效的 AI 语音交互系统，为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目，支持多种模型和服务器进行 PDF 到 Markdown 的转换，并提供测试和报告功能。

olmocr 是一个专注于光学字符识别（OCR）的 Python 项目，由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器，如 vllm、sglang、OpenAI 等，可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能，方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域，有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型，提供 AI 自动化解决方案，支持批量写作、数据分析、跨模态处理等功能，适用于电商、短视频、影视创作等场景，提升企业生产力与创作效率。关键词：飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多