在人工智能领域，随着模型规模的不断扩大，推理成本和访存效率已成为制约大模型广泛应用的关键瓶颈。传统方法如moe（mixture of experts）虽然通过稀疏激活机制成功实现了计算和参数的解耦，但在推理场景下，其高昂的访存成本和较慢的速度却成为了不可忽视的问题。近日，字节跳动豆包大模型团队提出的ultramem架构，为这一难题提供了全新的解决方案，并在iCLr 2025上得到了认可。本文将深入探讨ultramem的创新之处，以及它如何引领大模型推理的未来。
ultramem：高效推理的新纪元
ultramem是一种将计算和参数解耦的稀疏模型架构，它在保证模型效果的前提下，显着解决了推理时的访存问题。相较于moe，ultramem在推理速度上实现了2-6倍的提升，推理成本最高可降低83%。这一突破性的成果，无疑为构建大规模语言模型（LLm）提供了有力的支持。
在transformer架构下，模型的性能与其参数数量和计算复杂度密切相关。然而，随着LLm规模的不断增大，推理成本急剧增加，速度变慢，成为制约其广泛应用的关键因素。moe架构虽然通过稀疏激活机制降低了计算量，但在推理时，较小的batch size会激活全部专家，导致访存急剧上升，推理延迟大幅增加。而ultramem则通过一系列创新设计，有效解决了这一问题。
ultramem的创新之处
ultramem的创新主要体现在三个方面：优化模型结构、优化value检索方式以及隐式扩展稀疏参数。
首先，在模型结构上，ultramem借鉴了pkm（product key memory）的设计，但对其进行了改进。pkm的memory layer只有一层，插在整个transformer的中间层，这对大规模训练并不友好。ultramem则拆分出多个小memory layer，以固定的间隔分布在transformer layer中，并增加了skip-layer操作。这使得模型可以并行地执行memory layer的访存操作和transformer layer的计算，从而提高了推理效率。
其次，在value检索方式上，ultramem采用了更复杂的乘法方法tucker deposed Query-key retrieval（tdQkr）。这一方法受启发于tucker deposition，通过组合乘加行score和列score，提高了value检索的复杂度，从而优化了模型效果。
最后，在隐式扩展稀疏参数方面，ultramem提出了implicit value expansion（ive）方法。该方法通过引入virtual memory和physical memory的概念，隐式地扩展了稀疏参数的数量，从而提高了模型的性能。同时，由于ive方法中没有非线性操作，因此可以与physical memory table进行融合，生成全新的memory table，进一步降低了显存和部署成本。
ultramem的实验验证与性能评估
为了验证ultramem的有效性，研究团队在多个尺寸的激活参数上进行了广泛实验。实验结果表明，ultramem在680m和1.6B的激活参数上具有显着的效果优势。随着稀疏参数的增加，ultramem的效果和推理速度均表现出良好的扩展性。
此外，研究团队还进行了消融实验，以探究ultramem各项改进对模型性能的影响。实验结果表明，通过逐渐增加一些技巧和上文提出的结构改进，ultramem能够显着降低C4 validation loss，同时稀疏参数和计算量几乎不变。
ultramem的应用前景与挑战
ultramem的提出，为开发更高效和可扩展的语言模型提供了一个有希望的方向。它不仅能有效地应用于对延迟要求较高的推理场景（如代码补全），还能在通用场景下展现出显着的速度优势。然而，ultramem的技术演进仍存在若干值得探索的方向。例如，如何高效优化稀疏参数、如何提升稀疏模型推理能力、如何更优地激活稀疏参数等，都是后续研究的重要切入点。
总的来说，ultramem作为一种全新的稀疏模型架构，通过一系列创新设计，成功解决了大模型推理时的访存问题，实现了推理速度和成本的双重突破。它的提出，不仅为构建大规模语言模型提供了有力的支持，也为人工智能领域的未来发展开辟了新的道路。我们期待看到更多像ultramem这样的创新成果不断涌现，共同推动人工智能技术的不断进步。