YaRN是一种计算高效的方法，用于扩展基于transformer的语言模型的上下文窗口。相比于以前的方法，YaRN需要更少的token和训练步骤，具体来说是原来的1/10和1/2.5。

YaRN利用旋转位置嵌入（RoPE）来增强模型处理顺序数据和获取位置信息的能力，并通过压缩变压器来扩展上下文窗口。

实验证明，YaRN只需要400个训练步骤就成功实现了语言模型的上下文窗口扩展，相比以前的方法，训练样本量减少了10倍，训练步骤减少了2.5倍。

这项研究的项目地址是https://github.com/jquesnelle/yarn。

RoPE使用复杂数旋转，这是一种有效的编码位置信息的方式，使得模型能够在没有固定位置嵌入的情况下有效地编码位置信息。这有助于模型更准确地捕捉长期依赖关系。控制旋转参数是在模型训练过程中学习的，模型可以自适应地调整旋转以最好地捕捉标记之间的位置关系。

他们采用的方法是压缩变压器，通过使用外部存储库来扩展上下文窗口。模型可以在外部存储库中存储和检索信息，以便访问超出标准窗口尺寸的范围。他们还开发了将记忆组件添加到transformer架构的扩展，使得模型能够保留和利用过去标记或示例的信息。

实验结果显示，YaRN成功地实现了只需400个训练步骤的大型语言模型的上下文窗口扩展，这相当于原始预训练语料库的0.1%。相比于以前的方法，YaRN减少了10倍的训练样本量和2.5倍的训练步骤。这使得YaRN在计算上非常高效，而且没有额外的推理成本。

总的来说，YaRN改进了所有现有的RoPE插值方法，并以最小的实施努力替代了PI。微调后的模型在多个基准测试中保持了原有的能力，同时能够关注非常大的上下文范围。未来的研究可以探索内存增强技术，将其与传统的自然语言处理模型相结合。基于transformer的模型可以结合外部存储库来存储与上下文相关的信息，用于下游任务，如问答和机器翻译。