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

然而，隨著模型規(guī)模的不斷擴大和應用場景的日益復雜，傳統(tǒng) Transformer 架構(gòu)逐漸暴露出缺陷，尤其是在處理長文本、關(guān)鍵信息檢索以及對抗幻覺等任務時，Transformer 常常因過度關(guān)注無關(guān)上下文而陷入困境，導致模型表現(xiàn)受限。

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

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

其核心思想是通過計算兩組 Softmax 注意力圖的差值來放大對關(guān)鍵上下文的關(guān)注，同時消除注意力噪聲干擾。DIFF Transformer 具備以下顯著優(yōu)勢：

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

在長文本建模、關(guān)鍵信息檢索、數(shù)學推理、對抗幻覺、上下文學習、模型激活值量化等一系列任務中，DIFF Transformer 展現(xiàn)了獨特優(yōu)勢，相比傳統(tǒng) Transformer 有顯著提升。

DIFF Transformer 的特性使其在自然語言處理領(lǐng)域具有廣闊的應用前景，有望成為推動語言模型發(fā)展的新動力。此外，已有跟進研究初步驗證方法在視覺、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 在長文本建模中對無關(guān)上下文過度分配注意力的問題。該方法通過差分注意力機制（Differential Attention）放大對關(guān)鍵上下文的關(guān)注，同時消除注意力噪聲，從而顯著提升模型在多種任務中的性能。

差分注意力機制

傳統(tǒng) Transformer 的注意力機制通過 Softmax 函數(shù)對輸入序列中的不同 token 進行加權(quán)，但 Softmax 的性質(zhì)導致模型難以完全消除無關(guān)上下文的影響。為了克服這一問題，DIFF Transformer 引入了差分注意力機制。

具體而言，該機制將查詢向量（Query）和鍵向量（Key）在注意力頭（Head）維度分為兩組，分別計算兩組的 Softmax 注意力圖，然后計算兩者的差值作為最終的注意力分數(shù)。這一設(shè)計類似于電子工程中的差分放大器，以及降噪耳機，通過兩組信號相減以消除共有噪聲。

差分注意力的數(shù)學表達如下：

其中，和分別是兩組查詢和鍵向量，是值向量，是一個可學習的標量參數(shù)，用于調(diào)節(jié)兩組注意力圖的權(quán)重。計算過程如圖 1 所示。

圖 1. 差分注意力機制圖示與偽代碼

為了同步學習速率，將重參數(shù)化為：

其中，是可學習的向量，而是用于初始化的常數(shù)。

多頭差分注意力

為了進一步提升模型的表達能力，DIFF Transformer 采用了多頭機制。每個注意力頭獨立計算差分注意力，并將多頭輸出拼接為最終結(jié)果。具體實現(xiàn)如下：

其中是注意力頭的數(shù)量，是輸出投影矩陣。為了保持與 Transformer 梯度一致，DIFF Transformer 在每個頭的輸出后應用了獨立的歸一化層，采用 RMSNorm 實現(xiàn)。

圖 2. Transformer 與 DIFF Transformer 注意力分數(shù)分布可視化

圖 2 展示了 DIFF Transformer 和傳統(tǒng) Transformer 在注意力分數(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，并對模型抽取關(guān)鍵信息時的注意力分數(shù)分配進行可視化。

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

注意力分數(shù)分配的稀疏性與精準性也使得 DIFF Transformer 在處理長文本關(guān)鍵信息檢索任務時顯著優(yōu)于 Transformer。

實驗

作者通過一系列實驗驗證了 DIFF Transformer 在多個方面的卓越性能，證明了其在大語言模型中應用的獨特潛力與優(yōu)勢。

語言建模

作者研究了 DIFF Transformer 在擴展模型規(guī)模和訓練數(shù)據(jù)量時的性能，如圖 3 所示。實驗表明，DIFF Transformer 僅需約 65% 的參數(shù)規(guī)模或訓練數(shù)據(jù)量即可達到與 Transformer 相當?shù)恼Z言建模性能。例如，6.8B 參數(shù)規(guī)模的 DIFF Transformer 在語言建模損失上與 11B 參數(shù)規(guī)模的 Transformer 相當。

圖 3. 語言建模上的模型參數(shù)、訓練數(shù)據(jù)量可擴展性實驗

長文本建模

作者將模型擴展到 64K 上下文長度，并在長文本書籍數(shù)據(jù)上進行了評估。結(jié)果顯示，考慮累積平均負對數(shù)似然（NLL）指標， DIFF Transformer 在不同序列位置上均優(yōu)于 Transformer，能夠更有效地利用長上下文信息。

圖 4. 長文本書籍數(shù)據(jù)模型性能評估

關(guān)鍵信息檢索

作者通過「多針檢索」（Multi-Needle Retrieval）實驗評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。實驗表明，DIFF Transformer 在不同上下文長度和答案深度下均表現(xiàn)出更高的準確率，尤其是在文本較長以及答案位于文本更靠前位置時，優(yōu)勢更為明顯。例如，在 64K 上下文中，DIFF Transformer 在答案位于 25% 深度時的準確率比 Transformer 高出 76%。此外，統(tǒng)計信息顯示，DIFF Transformer 在注意力分數(shù)分配上也表現(xiàn)出更高的聚焦能力，能夠準確定位關(guān)鍵信息，并展現(xiàn)了更高的信噪比。

圖 5. 多針檢索評估

上下文學習

作者從兩個角度評估了 DIFF Transformer 的上下文學習能力：多樣本上下文學習和樣本順序魯棒性測試。 如圖 6 所示，在多樣本上下文學習任務中，作者使用了 4 個不同的數(shù)據(jù)集（TREC、TREC-fine、Banking-77 和 Clinic-150），并逐步增加示例數(shù)量，直到總長度達到 64K tokens。結(jié)果顯示，DIFF Transformer 在不同數(shù)據(jù)集上均優(yōu)于 Transformer，平均準確率提升顯著。

圖 6. 多樣本上下文學習

在魯棒性測試中，作者通過打亂示例順序的方式評估了模型的性能穩(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，表明其對輸入順序的敏感性更低，具有更強的魯棒性。

圖 7. 樣本順序魯棒性測試

幻覺評測

作者利用文本摘要和問答任務作為兩個典型的幻覺評測場景，評估了 DIFF Transformer 在降低大模型幻覺（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題時顯著提升了準確率，減少了幻覺現(xiàn)象。這是因為差分注意力機制能夠準確定位重要文段，避免無關(guān)上下文對模型預測的干擾。

圖 8. 利用文本摘要、問答任務進行幻覺評測

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。實驗表明，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)學推理能力

作者在數(shù)學推理任務上進一步驗證了 DIFF Transformer 的性能。作者采用兩階段訓練，在 3B 預訓練模型的基礎(chǔ)上進行有監(jiān)督微調(diào)，并在 MATH 等 8 個數(shù)學數(shù)據(jù)集上評測模型性能。在第一階段，采用 20B token 合成數(shù)學數(shù)據(jù)對模型進行微調(diào)，使模型獲得基礎(chǔ)數(shù)學能力，評測結(jié)果如圖 10 所示。從 15B token 開始，DIFF Transformer 展現(xiàn)出了顯著優(yōu)于 Transformer 的數(shù)學能力，至 20B token 結(jié)束的時候，準確率的差距達到了 11% 左右。

圖 10. 第一階段數(shù)學合成數(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 對模型進行蒸餾，使模型更強大的深度推理能力。如圖 11 所示，在 8 個數(shù)據(jù)集上，DIFF Transformer 相較 Transformer 均有不同程度的提升，平均準確率提升了 7.5%，這表明差分注意力機制更強大的上下文建模能力在推理任務中也至關(guān)重要。

圖 11. 第二階段深度推理能力評測

討論與未來工作

DIFF Transformer 自發(fā)布以來獲得了較大關(guān)注與討論。作者在 Hugging Face 論文討論平臺、alphaXiv 平臺上與社區(qū)開展了深入的探討。在 X 平臺（原 Twitter）上，Google DeepMind 高級研究科學家（Senior Staff Research Scientist）Petar Veli?kovi? 與作者就文章中的理論分析展開討論，ViT 核心作者 Lucas Beyer 也在閱讀文章后撰寫了一篇深入的論文總結(jié)，相關(guān)發(fā)帖已獲得數(shù)十萬瀏覽。目前 DIFF Transformer 也已集成至 Hugging Face 的 transformers 庫中。

• 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：https://github.com/huggingface/transformers/tree/main/src/transformers/models/diffllama

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

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

總結(jié)

本文的貢獻主要在兩個方面：

（1）DIFF Transformer 通過創(chuàng)新的差分注意力機制，有效解決了傳統(tǒng) Transformer 在處理文本時受到噪聲干擾、注意力分配不準確的問題； 

（2）憑借對關(guān)鍵信息的關(guān)注和對噪聲的抵御能力，DIFF Transformer 在語言建模、長文本建模、關(guān)鍵信息檢索、數(shù)學推理、對抗幻覺、上下文學習、模型激活值量化等任務中表現(xiàn)出色，有望在自然語言處理、多模態(tài)等領(lǐng)域作為基礎(chǔ)模型架構(gòu)。