近年來(lái)，Transformer 架構(gòu)在自然語(yǔ)言處理領(lǐng)域取得了巨大成功，從機(jī)器翻譯到文本生成，其強(qiáng)大的建模能力為語(yǔ)言理解與生成帶來(lái)了前所未有的突破。

然而，隨著模型規(guī)模的不斷擴(kuò)大和應(yīng)用場(chǎng)景的日益復(fù)雜，傳統(tǒng) Transformer 架構(gòu)逐漸暴露出缺陷，尤其是在處理長(zhǎng)文本、關(guān)鍵信息檢索以及對(duì)抗幻覺(jué)等任務(wù)時(shí)，Transformer 常常因過(guò)度關(guān)注無(wú)關(guān)上下文而陷入困境，導(dǎo)致模型表現(xiàn)受限。

為攻克這一難題，來(lái)自微軟和清華的研究團(tuán)隊(duì)提出了DIFF Transformer，一種基于差分注意力機(jī)制的創(chuàng)新基礎(chǔ)模型架構(gòu)。

• 論文標(biāo)題：Differential Transformer
• 論文鏈接：https://openreview.net/pdf?id=OvoCm1gGhN
• 代碼鏈接：https://aka.ms/Diff-Transformer

其核心思想是通過(guò)計(jì)算兩組 Softmax 注意力圖的差值來(lái)放大對(duì)關(guān)鍵上下文的關(guān)注，同時(shí)消除注意力噪聲干擾。DIFF Transformer 具備以下顯著優(yōu)勢(shì)：

在語(yǔ)言建模任務(wù)中，DIFF Transformer 在模型大小、訓(xùn)練 token 數(shù)量等方面展現(xiàn)出了卓越的可擴(kuò)展性，僅需約 65% 的模型規(guī)模或訓(xùn)練 token 數(shù)量即可達(dá)到與傳統(tǒng) Transformer 相當(dāng)?shù)男阅埽蠓嵘苏Z(yǔ)言模型通用表現(xiàn)。

在長(zhǎng)文本建模、關(guān)鍵信息檢索、數(shù)學(xué)推理、對(duì)抗幻覺(jué)、上下文學(xué)習(xí)、模型激活值量化等一系列任務(wù)中，DIFF Transformer 展現(xiàn)了獨(dú)特優(yōu)勢(shì)，相比傳統(tǒng) Transformer 有顯著提升。

DIFF Transformer 的特性使其在自然語(yǔ)言處理領(lǐng)域具有廣闊的應(yīng)用前景，有望成為推動(dòng)語(yǔ)言模型發(fā)展的新動(dòng)力。此外，已有跟進(jìn)研究初步驗(yàn)證方法在視覺(jué)、多模態(tài)等領(lǐng)域中的有效性，顯示出其跨模態(tài)通用的潛力。該研究已被 ICLR 2025 接收，并獲選為 Oral 論文（入選比例 1.8%）。

方法

本文提出了一種名為 Differential Transformer（DIFF Transformer） 的基礎(chǔ)模型架構(gòu)，旨在解決傳統(tǒng) Transformer 在長(zhǎng)文本建模中對(duì)無(wú)關(guān)上下文過(guò)度分配注意力的問(wèn)題。該方法通過(guò)差分注意力機(jī)制（Differential Attention）放大對(duì)關(guān)鍵上下文的關(guān)注，同時(shí)消除注意力噪聲，從而顯著提升模型在多種任務(wù)中的性能。

差分注意力機(jī)制

傳統(tǒng) Transformer 的注意力機(jī)制通過(guò) Softmax 函數(shù)對(duì)輸入序列中的不同 token 進(jìn)行加權(quán)，但 Softmax 的性質(zhì)導(dǎo)致模型難以完全消除無(wú)關(guān)上下文的影響。為了克服這一問(wèn)題，DIFF Transformer 引入了差分注意力機(jī)制。

具體而言，該機(jī)制將查詢向量（Query）和鍵向量（Key）在注意力頭（Head）維度分為兩組，分別計(jì)算兩組的 Softmax 注意力圖，然后計(jì)算兩者的差值作為最終的注意力分?jǐn)?shù)。這一設(shè)計(jì)類(lèi)似于電子工程中的差分放大器，以及降噪耳機(jī)，通過(guò)兩組信號(hào)相減以消除共有噪聲。

差分注意力的數(shù)學(xué)表達(dá)如下：

圖 2. Transformer 與 DIFF Transformer 注意力分?jǐn)?shù)分布可視化

圖 2 展示了 DIFF Transformer 和傳統(tǒng) Transformer 在注意力分?jǐn)?shù)分配上的顯著差異。作者將一段關(guān)鍵信息插入大段不相關(guān)文本的中間位置，并對(duì)模型抽取關(guān)鍵信息時(shí)的注意力分?jǐn)?shù)分配進(jìn)行可視化。

傳統(tǒng) Transformer 的注意力分?jǐn)?shù)被廣泛分配到整個(gè)上下文中，只有極少分?jǐn)?shù)分配至關(guān)鍵信息；而 DIFF Transformer 能夠?qū)⒏叩姆謹(jǐn)?shù)集中在目標(biāo)答案上，并且?guī)缀醪幌驘o(wú)關(guān)上下文分配注意力。

注意力分?jǐn)?shù)分配的稀疏性與精準(zhǔn)性也使得 DIFF Transformer 在處理長(zhǎng)文本關(guān)鍵信息檢索任務(wù)時(shí)顯著優(yōu)于 Transformer。

實(shí)驗(yàn)

作者通過(guò)一系列實(shí)驗(yàn)驗(yàn)證了 DIFF Transformer 在多個(gè)方面的卓越性能，證明了其在大語(yǔ)言模型中應(yīng)用的獨(dú)特潛力與優(yōu)勢(shì)。

語(yǔ)言建模

作者研究了 DIFF Transformer 在擴(kuò)展模型規(guī)模和訓(xùn)練數(shù)據(jù)量時(shí)的性能，如圖 3 所示。實(shí)驗(yàn)表明，DIFF Transformer 僅需約 65% 的參數(shù)規(guī)模或訓(xùn)練數(shù)據(jù)量即可達(dá)到與 Transformer 相當(dāng)?shù)恼Z(yǔ)言建模性能。例如，6.8B 參數(shù)規(guī)模的 DIFF Transformer 在語(yǔ)言建模損失上與 11B 參數(shù)規(guī)模的 Transformer 相當(dāng)。

圖 3. 語(yǔ)言建模上的模型參數(shù)、訓(xùn)練數(shù)據(jù)量可擴(kuò)展性實(shí)驗(yàn)

長(zhǎng)文本建模

作者將模型擴(kuò)展到 64K 上下文長(zhǎng)度，并在長(zhǎng)文本書(shū)籍?dāng)?shù)據(jù)上進(jìn)行了評(píng)估。結(jié)果顯示，考慮累積平均負(fù)對(duì)數(shù)似然（NLL）指標(biāo)， DIFF Transformer 在不同序列位置上均優(yōu)于 Transformer，能夠更有效地利用長(zhǎng)上下文信息。

圖 4. 長(zhǎng)文本書(shū)籍?dāng)?shù)據(jù)模型性能評(píng)估

關(guān)鍵信息檢索

作者通過(guò)「多針檢索」（Multi-Needle Retrieval）實(shí)驗(yàn)評(píng)估了模型從大量上下文中提取關(guān)鍵信息的能力，如圖 5 所示。實(shí)驗(yàn)表明，DIFF Transformer 在不同上下文長(zhǎng)度和答案深度下均表現(xiàn)出更高的準(zhǔn)確率，尤其是在文本較長(zhǎng)以及答案位于文本更靠前位置時(shí)，優(yōu)勢(shì)更為明顯。例如，在 64K 上下文中，DIFF Transformer 在答案位于 25% 深度時(shí)的準(zhǔn)確率比 Transformer 高出 76%。此外，統(tǒng)計(jì)信息顯示，DIFF Transformer 在注意力分?jǐn)?shù)分配上也表現(xiàn)出更高的聚焦能力，能夠準(zhǔn)確定位關(guān)鍵信息，并展現(xiàn)了更高的信噪比。

圖 5. 多針檢索評(píng)估

上下文學(xué)習(xí)

作者從兩個(gè)角度評(píng)估了 DIFF Transformer 的上下文學(xué)習(xí)能力：多樣本上下文學(xué)習(xí)和樣本順序魯棒性測(cè)試。 如圖 6 所示，在多樣本上下文學(xué)習(xí)任務(wù)中，作者使用了 4 個(gè)不同的數(shù)據(jù)集（TREC、TREC-fine、Banking-77 和 Clinic-150），并逐步增加示例數(shù)量，直到總長(zhǎng)度達(dá)到 64K tokens。結(jié)果顯示，DIFF Transformer 在不同數(shù)據(jù)集上均優(yōu)于 Transformer，平均準(zhǔn)確率提升顯著。

圖 6. 多樣本上下文學(xué)習(xí)

在魯棒性測(cè)試中，作者通過(guò)打亂示例順序的方式評(píng)估了模型的性能穩(wěn)定性。如圖 7 所示，DIFF Transformer 在不同示例排列下的性能方差顯著低于 Transformer，表明其對(duì)輸入順序的敏感性更低，具有更強(qiáng)的魯棒性。

圖 7. 樣本順序魯棒性測(cè)試

幻覺(jué)評(píng)測(cè)

作者利用文本摘要和問(wèn)答任務(wù)作為兩個(gè)典型的幻覺(jué)評(píng)測(cè)場(chǎng)景，評(píng)估了 DIFF Transformer 在降低大模型幻覺(jué)（hallucination）方面的表現(xiàn)。結(jié)果如圖 8 所示，DIFF Transformer 在生成摘要和回答問(wèn)題時(shí)顯著提升了準(zhǔn)確率，減少了幻覺(jué)現(xiàn)象。這是因?yàn)椴罘肿⒁饬C(jī)制能夠準(zhǔn)確定位重要文段，避免無(wú)關(guān)上下文對(duì)模型預(yù)測(cè)的干擾。

圖 8. 利用文本摘要、問(wèn)答任務(wù)進(jìn)行幻覺(jué)評(píng)測(cè)

異常激活值分析

作者還發(fā)現(xiàn) DIFF Transformer 能夠顯著減少模型激活中的異常值，這為模型激活值的量化提供了新的可能性。實(shí)驗(yàn)表明，DIFF Transformer 在注意力激活值（attention logits）和隱藏狀態(tài)（hidden states）中的最大激活值顯著低于 Transformer。例如，在注意力激活值的 Top-1 激活值上，DIFF Transformer 比 Transformer 低了近 8 倍。利用這一性質(zhì)，DIFF Transformer 在注意力激活值的低比特量化下的性能也優(yōu)于 Transformer，如圖 9 所示。

圖 9. 注意力激活值的低比特量化

數(shù)學(xué)推理能力

作者在數(shù)學(xué)推理任務(wù)上進(jìn)一步驗(yàn)證了 DIFF Transformer 的性能。作者采用兩階段訓(xùn)練，在 3B 預(yù)訓(xùn)練模型的基礎(chǔ)上進(jìn)行有監(jiān)督微調(diào)，并在 MATH 等 8 個(gè)數(shù)學(xué)數(shù)據(jù)集上評(píng)測(cè)模型性能。在第一階段，采用 20B token 合成數(shù)學(xué)數(shù)據(jù)對(duì)模型進(jìn)行微調(diào)，使模型獲得基礎(chǔ)數(shù)學(xué)能力，評(píng)測(cè)結(jié)果如圖 10 所示。從 15B token 開(kāi)始，DIFF Transformer 展現(xiàn)出了顯著優(yōu)于 Transformer 的數(shù)學(xué)能力，至 20B token 結(jié)束的時(shí)候，準(zhǔn)確率的差距達(dá)到了 11% 左右。

圖 10. 第一階段數(shù)學(xué)合成數(shù)據(jù)微調(diào)

在第二階段，作者利用 Deepseek-R1 輸出所構(gòu)造的數(shù)據(jù)集 OpenThoughts-114K-Math 對(duì)模型進(jìn)行蒸餾，使模型更強(qiáng)大的深度推理能力。如圖 11 所示，在 8 個(gè)數(shù)據(jù)集上，DIFF Transformer 相較 Transformer 均有不同程度的提升，平均準(zhǔn)確率提升了 7.5%，這表明差分注意力機(jī)制更強(qiáng)大的上下文建模能力在推理任務(wù)中也至關(guān)重要。

圖 11. 第二階段深度推理能力評(píng)測(cè)

討論與未來(lái)工作

DIFF Transformer 自發(fā)布以來(lái)獲得了較大關(guān)注與討論。作者在Hugging Face論文討論平臺(tái)、alphaXiv平臺(tái)上與社區(qū)開(kāi)展了深入的探討。在 X 平臺(tái)（原 Twitter）上，Google DeepMind 高級(jí)研究科學(xué)家（Senior Staff Research Scientist）Petar Veli?kovi?與作者就文章中的理論分析展開(kāi)討論，ViT 核心作者Lucas Beyer也在閱讀文章后撰寫(xiě)了一篇深入的論文總結(jié)，相關(guān)發(fā)帖已獲得數(shù)十萬(wàn)瀏覽。目前 DIFF Transformer 也已集成至 Hugging Face 的transformers 庫(kù)中。

• Hugging Face：https://huggingface.co/papers/2410.05258
• alphaXiv：https://www.alphaxiv.org/abs/2410.05258v1
• Petar Veli?kovi?：https://x.com/PetarV_93/status/1874820028975267866
• Lucas Beyer：https://x.com/giffmana/status/1873869654252544079
• transformers庫(kù)：https://github.com/huggingface/transformers/tree/main/src/transformers/models/diffllama

未來(lái)工作方面，作者認(rèn)為可以利用 DIFF Transformer 的性質(zhì)設(shè)計(jì)低比特注意力算子，以及利用差分注意力的稀疏特性進(jìn)行鍵值緩存（key-value cache）的剪枝。此外，將 DIFF Transformer 應(yīng)用在除語(yǔ)言以外的其他模態(tài)上也值得探索。近期工作DiffCLIP將差分注意力擴(kuò)展至視覺(jué)、多模態(tài)領(lǐng)域，揭示了 DIFF Transformer 在不同模態(tài)任務(wù)中的更多結(jié)構(gòu)特性與應(yīng)用潛力。

• DiffCLIP：https://arxiv.org/abs/2503.06626

總結(jié)

本文的貢獻(xiàn)主要在兩個(gè)方面：

（1）DIFF Transformer 通過(guò)創(chuàng)新的差分注意力機(jī)制，有效解決了傳統(tǒng) Transformer 在處理文本時(shí)受到噪聲干擾、注意力分配不準(zhǔn)確的問(wèn)題；

（2）憑借對(duì)關(guān)鍵信息的關(guān)注和對(duì)噪聲的抵御能力，DIFF Transformer 在語(yǔ)言建模、長(zhǎng)文本建模、關(guān)鍵信息檢索、數(shù)學(xué)推理、對(duì)抗幻覺(jué)、上下文學(xué)習(xí)、模型激活值量化等任務(wù)中表現(xiàn)出色，有望在自然語(yǔ)言處理、多模態(tài)等領(lǐng)域作為基礎(chǔ)模型架構(gòu)。