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。