LLM有記憶能力嗎？有，也沒有。雖然ChatGPT聊天時好像可以記住你之前說的話，但實際上，模型在推理時記不住任何內容，而且它們在訓練時的記憶方式也不像我們想象的那么簡單。

Django框架的創始人之一、著名開發者Simon Willison最近發表了一篇博客文章，核心觀點是——雖然很多LLM看起來有記憶，但本質上是無狀態函數。

文章地址：https://simonwillison.net/2024/May/29/training-not-chatting/

Mozilla和FireFox的聯合創始人、JavaScript發明者Brendan Eich也在推特上稱贊這篇博客。

一、似乎有記憶的LLM

從計算機科學的角度來看，最好將LLM的推理過程視為無狀態函數調用——給定輸入文本，它會輸出接下來應該做什么。

然而使用過ChatGPT或者Gemini的人會明顯感覺到，LLM似乎可以記住之前的對話內容，好像模型有記憶能力。

然而這并不能歸功于模型本身。

事實上，用戶每次提出一個問題時，模型收到的提示都會包含之前所有的對話內容，這些提示就是我們經常說的「上下文」。

如果不提供上下文，LLM將完全不知道之前討論的內容。

所以，重新打開一個對話界面時，對LLM而言就是一個「從頭再來」的全新文本序列，完全獨立于你和其他用戶之前發生的對話。

從另一個角度看，這種「失憶」也有好處。比如，模型開始胡說八道，或者拒絕回答你的合理問題時，就可以試試重置對話窗口。也許在新的對話中，模型的輸出就能回到正軌。

這也是為什么LLM的上下文長度是一個重要的指標。如果對話過長、超出了上下文窗口，最早的那部分對話就會從提示中移除，看起來就像是模型的「遺忘」。

Andrej Karpathy將上下文窗口準確地形容為「LLM工作記憶的有限寶貴資源」。

但是，有很多方法可以為LLM外置記憶能力，來滿足產品使用的需求。

將之前的對話作為提示，和當前問題一起輸入給LLM是最直接的方法，但這依舊是「短期記憶」，而且擴展模型的上下文長度成本很高。

GPT-4o免費版支持8k上下文，付費版可以達到128k，已經比之前的32k提升了3倍，但仍然無法保存單個網頁的原始HTML。

也可以遞歸地總結之前的對話內容，將歷史對話摘要當作LLM提示。雖然可能會丟失細節，但相比直接截斷的方法，更高程度上保留了內容的完整性。

另一種方法是外接矢量數據庫，為LLM添加「長期記憶」。

在進行對話時，先從數據庫中檢索相關內容，再將其添加進上下文窗口，也就是檢索增強生成（RAG）。

但如果數據庫內容過多，檢索過程很可能增加模型的響應延遲。

實際開發中，檢索、摘要這兩種手段常常搭配使用，以求在成本和性能、長期和短期記憶之間取得平衡。

二、推理無法記憶，但訓練可以

LLM的推理過程雖然等效于「無狀態函數」，但訓練過程并不是這樣，否則它也無法從語料中學習到任何知識。

但我們對于LLM記憶的分歧之處在于，它到底是用「機械」的方式復制了訓練數據，還是更像人類的學習過程，用理解、概括的方式將數據內容集成在參數中。

DeepMind近期發表的一篇論文或許可以從另一個角度揭示這個問題。

論文地址：https://arxiv.org/abs/2404.15146

他們使用與訓練語料相似的prompt攻擊LLM，看它能否逐字逐句地輸出訓練數據。

但Falcon、Llama、Mistral這種常用的半開放LLM，以及GPT系列都沒有公開訓練數據，要怎么判斷模型的輸出是否包括在訓練集中？

論文使用了一種巧妙的方法進行判斷：首先，從RefinedWeb、RedPajama、Pile等常用的LLM預訓練數據集中選取了9TB的文本作為輔助數據集。

如果模型輸出的文本序列足夠長、信息熵又足夠大，而且還和輔助數據集內容重合，那么基本可以斷定模型在訓練時見過這條數據。

這樣的判斷方法會存在假陰性，因為輔助數據集不可能涵蓋所有模型的訓練數據，但幾乎沒有假陽性，因此得到的結果可以作為模型「復現」訓練內容的比例下界。

結果發現，所有的模型都能逐字逐句地輸出訓練數據，只是概率有所差異。

從結果可以發現，參數量越大的模型似乎記住的內容越多，越有可能在輸出中讓訓練數據回流。

不同系列的模型之間差異比較顯著。比如7B參數的Mistral相比Falcon，有將近10倍的概率原樣吐出訓練數據。

但可能的原因有很多，既能解釋為模型記憶能力的差距，也能歸因于為輔助數據集的偏差。

有趣的是，如果prompt的要求是一直持續輸出某個單詞，有些單詞更有可能觸發模型吐出訓練數據。

最有效的一個單詞是「company」

作者指出，從安全的角度來看，這說明對齊過程沒有完全模糊模型的記憶，這些可提取的訓練數據會帶來版權糾紛與隱私泄露問題。

但從另一個角度來看，這證明，一定比例的訓練數據被無損壓縮而且存儲在了模型參數中。模型的記憶方式，果然是有些「機械化」的成分。

更進一步思考，如果改進LLM的記憶方式，讓訓練數據以更概括、更抽象的方式存儲在參數中，能否帶來模型能力的持續提升？

參考資料：

https://simonwillison.net/2024/May/29/training-not-chatting/

https://medium.com/@iankelk/how-chatgpt-fools-us-into-thinking-were-having-a-conversation-fe3764bd5da1