本文首发于公众号：机器感知

将Llama2上下文长度扩展100倍；效率更高的SeTformer；LLM准确度基本不变加速1.56×；FreeTalker

Latte: Latent Diffusion Transformer for Video Generation

本文使用Latent Diffusion Transformer(Latte)做视频，首先从输入视频中提取时空tokens，然后采用一系列Transformer块来建模潜在空间中的视频分布。为了建模从视频中提取的大量tokens，作者从输入视频的空间和时间的角度引入了四种高效变体。实验结果表明，Latte在四个标准视频生成数据集（FaceForensics、SkyTimelapse、UCF101和Taichi-HD）上实现了SOTA性能。此外，作者还将Latte扩展到文本到视频生成（T2V）任务，且Latte取得了与最近的T2V模型相当的结果。

Soaring from 4K to 400K: Extending LLM's Context with Activation Beacon

本文提出了一种名为Activation Beacon的模块，可以用于扩展大语言模型（LLM）处理长上下文的能力。该模块通过压缩LLM的原始激活来感知更长的上下文，与此同时保持LLM在处理短上下文时的原始能力。此外，该模块使用短滑动窗口处理长上下文，提高了在训练和推理时的内存和时间效率。该模块通过自回归任务进行训练，仅需10K步和少量GPU时间即可完成训练。实验结果表明，Activation Beacon可以将Llama-2-7B的上下文长度扩展100倍（从4K扩展到400K），同时在长上下文生成和理解任务上取得了很好的结果。

Freetalker: Controllable Speech and Text-Driven Gesture Generation Based on Diffusion Models for Enhanced Speaker Naturalness

本文提出了一种名为FreeTalker的框架，用于生成自发（如伴随言语的手势）和非自发（如演讲者在讲台上的移动）的演讲者动作。该框架利用了来自不同动作数据集的异构数据，训练了一个基于扩散模型的演讲者动作生成器，该模型使用统一的表示形式来驱动言语手势和文本动作。在推理过程中，使用CFG来控制clips的风格。此外，为了创建clips之间的平滑过渡，作者使用了DoubleTake方法，该方法利用生成先验并确保无缝的运动混合。实验结果表明，该方法能够生成自然且可控的演讲者动作。

SeTformer is What You Need for Vision and Language

本文提出了一种名为SeTformer的新型Transformer，该模型通过将点积自注意力（DPSA）完全替换为自我最优传输（SeT）来提高性能和计算效率。SeT基于两个重要的softmax属性，并通过引入核代价函数来实现这些属性。在小型和基础模型上，SeTformer在ImageNet-1K上实现了84.7%和86.2%的top-1准确率。在目标检测中，SeTformer-base比FocalNet高出2.2 mAP，参数和FLOPs分别减少了38%和29%；在语义分割中，基础模型比NAT高出3.5 mIoU，参数减少了33%；SeTformer还在GLUE语言建模任务中取得了最佳结果；这说明SeTformer适用于视觉和语言任务中。

FlightLLM: Efficient Large Language Model Inference with a Complete Mapping Flow on FPGA

Transformer-based大语言模型（LLMs）在多个领域产生了重大影响，但计算和内存开销过大。常用的压缩技术缓解了LLM计算/内存开销与硬件限制的差距，但现有的GPU和transformer加速器无法高效处理压缩的LLM，因为存在计算效率低、内存带宽未充分利用和编译开销大等问题。本文提出了FlightLLM，通过在FPGA上实现完整的映射流实现LLM的高效推理。在FlightLLM中，作者利用FPGA特有的资源（如DSP48和异构内存层次结构）来解决LLM的计算和内存开销问题。还提出了一种可配置的稀疏DSP链，以高计算效率支持不同的稀疏模式。其次，还提出了一种always-on-chip的解码方案，以支持混合精度并提高内存带宽。

FFSplit: Split Feed-Forward Network For Optimizing Accuracy-Efficiency Trade-off in Language Model Inference

预训练语言模型（LLM）性能强大，但参数众多，难以在单GPU等硬件上部署。为降低模型大小和推理延迟，常采用模型压缩技术，但会影响模型准确性和效率。作者发现前馈网络（FFN）只有少数神经元对输入有大的输出范数(heavy hitters)，据此，将FFN分为两部分，并为heavy hitters部分分配更多资源，从而平衡优化效率和准确性。此方法可使模型大小减少43.1%，加速1.25∼1.56×，同时几乎不降低准确性。