Reducing Reasoning Costs: The Path of Optimization for Chain of Thought via Sparse Attention Mechanism

要約

大規模言語モデルの推論コスト急増における思考連鎖に対処するため、本研究では、少数の関連するトークンのみに注目するスパースアテンションメカニズムの使用を提案する。研究者は新しい注意メカニズムを構築し、実験ツールとしてカスタムGPTで訓練したGiantRabbitを使用した。実験では、MIT OpenCourseWareの線形代数のテスト問題を解く際に、このモデルとo1プレビューの推論時間、正しさのスコア、思考の連鎖の長さをテストし、比較した。その結果、GiantRabbitの推論時間と思考連鎖長はo1 Previewよりも有意に短いことが示された。これは、思考連鎖推論を最適化するためのスパースアテンションメカニズムの実現可能性を検証するものである。詳細なアーキテクチャの詳細と実験過程はGithubにアップロードされている。リンクはhttps://github.com/brucewang123456789/GeniusTrail.git。

要約(オリジナル)

In order to address the chain of thought in the large language model inference cost surge, this research proposes to use a sparse attention mechanism that only focuses on a few relevant tokens. The researcher constructed a new attention mechanism and used GiantRabbit trained with custom GPTs as an experimental tool. The experiment tested and compared the reasoning time, correctness score and chain of thought length of this model and o1 Preview in solving the linear algebra test questions of MIT OpenCourseWare. The results show that GiantRabbit’s reasoning time and chain of thought length are significantly lower than o1 Preview. It verifies the feasibility of sparse attention mechanism for optimizing chain of thought reasoning. Detailed architectural details and experimental process have been uploaded to Github, the link is:https://github.com/brucewang123456789/GeniusTrail.git.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL