ExeaLM の内部
0.1B のモデルを、層の積み重ねから 1 つの回路まで。
回路が載った板が TONN 層、残りはアテンション層。層にカーソルを合わせてください。
- メモリ
- 短距離
- 状態の蓄積
- ゲートと積
- アテンション
TONN 層の中
1 つの射影が残差ストリームを 20 のスロットに分けます。各スロットは 3 つのストリームで小さな回路を動かします。1 つの射影が結果を書き戻します。
回路のメニュー
スロットに入る回路は 14 種類。学習中の探索が、損失を下げる回路を残します。
ストリーム A を一定ステップ前(ラグ)からそのまま写します。
現在の A、1 間隔前の B、2 間隔前の C を足し、滑らかなゲート(silu)を通します。短い語の断片に強い回路です。
チャネルごとに学習した割合で薄れていく A の和を保ちます。
累積和と同じですが、過去をどれだけ残すかを B が毎ステップ決めます。
ラグをつけた A と B の積をとり、その減衰つきの和を保ちます。
積の累積和を C を通して読み出します。誘導ヘッドのように、組を見て後で思い出す働きをします。
過去全体にわたる B の加重平均で、重みは exp(A) です。
Mamba に似た状態です。B が位置ごとにステップ幅を決め、何を覚えるかを回路が選びます。
減衰しながら回転する状態(S4D に似ています)で、リズムや周期的なパターンを追えます。
同じ位置で silu(A) と B を掛けます。位置ごとの小さな MLP です。
数ステップ前の A と現在の B の積です。
スロットの中の小さなアテンションヘッドです。A が問い、B が答え、C が渡す内容です。
モデル自身の埋め込みで読み取り専用のライブラリを検索し、見つけたチャンクを読みます。
チャンクごとにメッセージを投稿し、ほかのモデルのコピーが投稿したメッセージを読みます。
検索
64 トークンごとに、モデル自身の埋め込みで読み取り専用のライブラリを検索し、上位 4 チャンクを読みます。
検索は 64 トークンのチャンクごとに 1 回です。
掲示板
モデルのコピーはチャンクごとにメッセージを投稿し、互いの投稿を読みます。勾配は掲示板を通って流れます。
全エージェントが最初のチャンクを読みます。
数字で見る
- 幅
- 640
- 層
- 14(TONN は第 0・3・6・9・12 層)
- アテンション
- 64 チャネルのヘッド 10 個
- TONN のスロット
- 32 チャネルの回路 20 個
- メモリ回路
- TONN 層ごとに検索 1 つ、掲示板 1 つ
- チャンク
- 64 トークン、上位 4 件を検索
- スウォーム
- 掲示板 1 つにエージェント 4 体
- トークナイザー
- バイトレベル BPE、32,768 語彙
- パラメータ
- 約 9 千万
- 学習
- 約 1,000 億トークン(予定)