Tapered Language Models
Modern language models, including transformer, recurrent, and memory-based variants, share a common chassis: a stack of identical layers in which parameters are allocated uniformly across depth. This is a default inherited from the original transformer and largely unchanged since, yet a growing body of evidence suggests that layers contribute non-uniformly to the final output, with later layers refining the residual stream rather than transforming it. We ask whether parameter capacity should reflect this asymmetry. Our controlled experiment shows that, under a fixed budget, allocating more capacity to earlier layers and less to later layers improves perplexity over a uniform-width baseline, while the reverse allocation hurts. Building on this result, we introduce Tapered Language Models (TLMs), an architectural principle in which a parameter-bearing component is monotonically tapered across depth under a fixed total budget. MLPs are the natural site for this instantiation: they dominate parameter count across all modern LM families and expose width as a single, clean axis of variation. Across three model scales and four architectures (Transformer, Gated Attention, Hope-attention, and Titans), tapering MLP width via a smooth cosine schedule consistently improves perplexity and downstream benchmark performance over uniform baselines, at no additional parameter or compute cost. These findings establish depth-aware capacity allocation as a simple, architecture-agnostic axis of language model design, a free lever hidden in plain sight.
Image: Daily English Reader / Local generated SVG (Project-owned local asset)
B2 Version
Click any word for its Thai meaning.
สรุป/คำแปลไทย
ข่าวนี้มาจาก arXiv อยู่ในหมวดเทคโนโลยี และถูกเรียบเรียงเป็นระดับ B2. เนื้อหาข่าวคือ โมเดลภาษาสมัยใหม่ รวมถึงตัวแปรแปลง รีคอร์เรนต์ และแบบพึ่งพากย์ความทรงจํา มีแนวโน้มร่วมกัน คือสตาร์คของชั้นที่เหมือนกัน โดยมีปารามีเตอร์ถูกจําหน่ายได้อย่างเท่าเทียมตามความลึก. นี่คือความผิดปกติที่ได้รับมรดกจากเครื่องแปลงเดิม และยังคงไม่เปลี่ยนแปลงมาก ตั้งแต่นั้น แต่หลักฐานที่เพิ่มขึ้นแสดงให้เห็นว่าชั้นนํามีส่วนร่วมไม่เท่ากันในการผลิตสุดท้าย โดยชั้นหลังจะอํานวยความสะดวกต่อกระแสที่เหลือ แทนที่จะแปลงมัน. เราถามว่า ความจุของปารามีเตอร์ควรสะท้อนความไม่สมสมการนี้หรือไม่. การทดลองที่ควบคุมของเราแสดงให้เห็นว่า ภายใต้งบประมาณที่ตั้ง การมอบความทำได้มากกว่าให้กับชั้นก่อน และน้อยกว่าให้กับชั้นหลัง. โดยพัฒนาผลงานนี้ เรานํามาประกอบแบบภาษาสาขา Tapered Language Models (TLM) ซึ่งเป็นหลักการสถาปัตยกรรมที่ส่วนประกอบที่แบ่งปันปารามีเตอร์ถูกกระชับตามความลึกตามงบประมาณรวมที่กําหนดไว้. MLP เป็นสถานที่ธรรมชาติสำหรับการแสดงตัวอย่างนี้: พวกเขามีอํานาจในจํานวนปารามีเตอร์ในทุกครอบครัว LM ใหม่และแสดงความกว้างเป็นแกนเดียวของความแตกต่างที่สะอาด.
Save & Review
Only words saved from this story appear here.