Преглед
Законите за мащабиране на Chinchilla от DeepMind през 2022 г. показаха, че повечето големи езикови модели са недостатъчно обучени: за фиксиран изчислителен бюджет трябва да мащабирате размера на модела и данните за обучение приблизително в еднаква пропорция. Има значение, защото предефинира какво означава „оптимален“ размер на модела и промени начина, по който лабораториите изразходват изчисления.
Chinchilla Scaling Laws е част от стека език-AI, използван за четене, генериране, класифициране и трансформиране на текст и реч в мащаб.
Дълбоко гмуркане
Преди Chinchilla тенденцията беше да се изграждат все по-големи модели (като 175B-параметър GPT-3), докато се обучават върху относително скромни количества данни. DeepMind обучи над 400 модела в различни размери и бюджети за данни, след което напасна криви, предсказващи загубата като функция на параметри и токени при бюджет с фиксиран изчисление (FLOP). Тяхното откритие: параметрите и токените за обучение трябва да се мащабират заедно, приблизително съотношение 1 към 1, което предполага около 20 токена данни за обучение на параметър. За да го докажат, те обучиха Chinchilla, модел с параметър 70B на 1,4 трилиона токена, който превъзхожда много по-големия Gopher с параметър 280B, въпреки че използва същото изчисление, защото беше обучен на много повече данни.
Техническа информация
Законите идват от монтиране на функция на параметрична загуба L(N, D), където N е параметри и D е жетони, включително условия за нередуцируема загуба, размер на модела и размер на данните. Минимизирането на загубата при изчислително ограничение (изчислението е приблизително пропорционално на N пъти D) води до резултат, че оптималните N и D растат като мощност на изчислението с подобни експоненти, така че съотношението за оптимално изчисление остава близо до 20 токена на параметър.
Овладяване на законите за мащабиране на чинчила
Законите за мащабиране на Chinchilla от DeepMind през 2022 г. показаха, че повечето големи езикови модели са недостатъчно обучени: за фиксиран изчислителен бюджет трябва да мащабирате размера на модела и данните за обучение приблизително в еднаква пропорция. Има значение, защото предефинира какво означава „оптимален“ размер на модела и промени начина, по който лабораториите изразходват изчисления. Chinchilla Scaling Laws е част от стека език-AI, използван за четене, генериране, класифициране и трансформиране на текст и реч в мащаб. За да изградите дълбоко разбиране, третирайте законите за мащабиране на Chinchilla като оперативен модел, а не като отделна функция: дефинирайте желаните резултати, изяснете предположенията и отделете това, което системата може да направи надеждно, от това, което все още изисква експертна преценка.
На практика силни екипи, използващи Chinchilla Scaling Laws, проектират цикли за подкани, извличане и преглед като една интегрирана комуникационна система. Те документират изрични критерии за успех, тестват срещу реалистични данни и работни потоци и повтарят въз основа на наблюдавани модели на неуспех, а не на еднократни победи в бенчмарка. Това е мястото, където теоретичното разбиране се превръща в трайна способност за продукти, политики и операции.
Езиковите работни процеси могат да се движат по-бързо, без да се жертва последователността. В същото време халюцинираните факти могат тихо да влизат в отчети, поддържащи потоци или резултати от изследвания. Най-устойчивият подход е да се комбинира скоростта на експериментиране с дисциплината на управление: стартирайте пилотни проекти, събирайте доказателства, публикувайте регистрационни файлове за решения и непрекъснато актуализирайте предпазните мерки, докато поведението на модела, очакванията на потребителите и регулаторните изисквания се развиват.
Стратегическо въздействие
Езиковите работни процеси могат да се движат по-бързо, без да се жертва последователността.
Езиковите работни процеси могат да се движат по-бързо, без да се жертва последователността. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Той разширява достъпа между езици и стилове на комуникация.
Той разширява достъпа между езици и стилове на комуникация. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Екипите могат да отделят повече време за преценка, докато автоматизацията се справя с повторението.
Екипите могат да отделят повече време за преценка, докато автоматизацията се справя с повторението. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Внедряване в реалния свят
Chinchilla със 70B параметър на DeepMind побеждава 280B Gopher при бенчмаркове, използвайки равни изчисления, като тренира върху много повече данни
Насочване на екипите към бюджетиране на приблизително 20 жетона за обучение на параметър, когато планират модел от нулата
Обосноваване на по-малки, богати на данни модели като LLaMA, които са по-евтини за изпълнение по време на извод
Оценяване дали планираният модел е „недостатъчно обучен“ и би се възползвал повече от допълнителни данни, отколкото от допълнителни параметри
Модели на изпълнение
Законите за люспене на чинчили на практика
Chinchilla със 70B параметър на DeepMind побеждава 280B Gopher на бенчмаркове, използвайки еднакви изчисления, като тренира върху много повече данни.
Chinchilla със 70B параметър на DeepMind, побеждавайки 280B Gopher на бенчмаркове, използвайки равни изчисления, като се обучават на много повече данни. Екипите обикновено получават по-добри резултати, когато определят праговете за качество предварително, поддържат път на човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Законите за люспене на чинчили на практика
Насочване на екипите към бюджетиране на приблизително 20 токена за обучение на параметър, когато планират модел от нулата.
Насочване на екипите към бюджетиране на приблизително 20 жетона за обучение на параметър при планиране на модел от нулата Екипите обикновено получават по-добри резултати, когато дефинират прагове за качество предварително, поддържат човешки път за ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Законите за люспене на чинчили на практика
Обосноваване на по-малки, богати на данни модели като LLaMA, които са по-евтини за изпълнение по време на извод.
Обосноваване на по-малки, богати на данни модели като LLaMA, които са по-евтини за изпълнение по време на извод Екипите обикновено получават по-добри резултати, когато дефинират праговете на качеството предварително, поддържат път на човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Законите за люспене на чинчили на практика
Оценяване дали планираният модел е „недостатъчно обучен“ и би се възползвал повече от допълнителни данни, отколкото от допълнителни параметри.
Оценяване дали планираният модел е „недостатъчно обучен“ и би се възползвал повече от допълнителни данни, отколкото от допълнителни параметри Екипите обикновено получават по-добри резултати, когато дефинират предварително прагове за качество, поддържат път на човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Рискове и предпазни огради
Халюцинираните факти могат тихо да влязат в отчети, потоци за поддръжка или резултати от изследвания.
Бързата чувствителност може да създаде противоречиви резултати при подобни заявки.
Чувствителните текстови данни могат да бъдат разкрити, ако контролите за достъп са слаби.
Пътна карта за изпълнение
Определете изходен формат, тон и стандарти за качество преди внедряване.
Определете изходен формат, тон и стандарти за качество преди внедряване. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Наземни отговори с доверени източници винаги, когато точността има значение.
Наземни отговори с доверени източници винаги, когато точността има значение. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Поддържайте контролна точка за човешки преглед за изходи с високи залози.
Поддържайте контролна точка за човешки преглед за изходи с високи залози. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Проследявайте моделите на неуспехи и редовно обучавайте подкани или работни потоци.
Проследявайте моделите на неуспехи и редовно обучавайте подкани или работни потоци. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.