TokenFormer：以标记化模型参数重新思考Transformer的扩展性

BriefGPT - AI 论文速递 · 2024-10-30T00:00:00Z

本研究提出了TokenFormer架构，以解决Transformer模型扩展的高成本问题。该模型通过将参数视为标记，引入灵活的注意力机制，实现高效扩展，避免从头训练。研究表明，当参数范围在1.24亿到14亿时，其性能与完全从头训练的Transformer相当，同时训练成本显著降低。