現在的大語言AI模型很多時受限於上下文長度限制而無法釋放全部潛力，Magic近日發布了關於其超長上下文模型的最新研究進展，並介紹了與Google Cloud的合作以及新一輪的資金籌集情況。該模型的設計旨在加強AI的學習能力，特別是在推理階段。
新技術：長期記憶模型
目前AI模型的學習主要依賴於訓練和推理過程中的上下文，但短上下文一直是主要的限制因素。Magic的長期記憶（LTM）模型能夠在推理過程中處理最多100M個token的上下文，這一改變有望顛覆以往依賴模糊記憶的方式。
上下文評估的挑戰
目前的長上下文評估方法存在缺陷。例如，流行的「Needle In A Haystack」評估將一個隨機事實（“Needle”）放置在長上下文窗口（“Haystack”）中，要求模型檢索該事實，這方法容易受到語義提示影響，限制評估準確性。
為了解決這些問題，Magic設計了HashHop方法。該方法使用隨機 Hash，要求模型在任何給定上下文大小下，存儲和檢索最大可能的信息內容。這項技術的關鍵在於模型必須能夠從複雜的上下文中提取信息，而不依賴於明確的語義提示。
新模型性能
Magic最近訓練了首個100M token上下文模型：LTM-2-mini。該模型能夠處理約1000萬行代碼或約750部小說的內容。與Llama 3.1 405B的注意力機制相比，LTM-2-mini在解碼每個token時，其序列維度算法成本低廉，約為其1000倍。
在內存需求方面，運行Llama 3.1 405B所需的100M token KV緩存需要638個H100，而LTM模型則只需單個H100的極小部分內存，顯示出顯著的效率優勢。
應用場景擴展
除了在代碼和語言模型上的評估外，Magic還發現，對小模型進行哈希訓練並測量性能，對其架構研究非常有幫助。該模型在生成計算器方面表現出色，展示了其即時學習的能力，能夠在沒有人工干預的情況下對開源代碼庫進行編輯。
與Google Cloud的合作
Magic 宣佈與 Google Cloud 展開合作，計劃在其平台上構建下一代超級計算機Magic-G4和Magic-G5。這些計算機將使用NVIDIA H100和GB200 NVL72 GPU，並可以隨著時間的推移擴展到數萬個Blackwell GPU。
Eric Steinberger，Magic的首席執行官表示：「我們很高興能與Google和NVIDIA合作，通過Google Cloud構建下一代AI超級計算機。」
Magic 資金籌集
Magic最近籌集了總計465M美元的資金，其中包括來自Eric Schmidt、Jane Street、Sequoia等新投資者的3.2億美元投資。這筆資金將支持Magic在AI推理方面的進一步研發。
