Преглед
YaRN (Jet another RoPE extensioN) е техника, която разтяга прозореца на използваемия контекст на трансформатора далеч отвъд това, върху което е бил обучен, с минимална фина настройка. Има значение, защото позволява на съществуващите модели да обработват много по-дълги документи без преквалификация от нулата.
YaRN Context Window Scaling е част от стека език-AI, използван за четене, генериране, класифициране и трансформиране на текст и реч в мащаб.
Дълбоко гмуркане
Повечето съвременни LLMs кодират позициите на думите с помощта на Rotary Position Embeddings (RoPE), които работят добре само до дължината, която моделът е видял по време на обучение. Подавайте в по-дълга последователност и моделът се разгражда зле. YaRN решава това, като премащабира честотите на въртене на RoPE по начин, съобразен с честотата: високочестотните измерения (които улавят локални, близки взаимоотношения) остават почти незасегнати, докато нискочестотните измерения (които улавят позицията на голямо разстояние) се интерполират. Той също така добавя регулиране на температурата към вниманието, за да поддържа логиката добре работеща на големи разстояния. Резултатът, демонстриран на модели на LLaMA, разширява контекста от 4K до 64K-128K токени, като използва само около 0,1% от първоначалните данни за обучение и няколкостотин стъпки за фина настройка.
Техническа информация
RoPE завърта заявката и ключовите вектори на ъгъл, пропорционален на позицията и честотата на измерение. Наивната линейна интерполация (позиционна интерполация) притиска всички честоти еднакво, вреди на локалните детайли. Вместо това YaRN прилага „NTK-по-части“: той интерполира само нискочестотните (дълги вълнови) измерения, оставя високочестотните сами и прави рампи между тях. Мащабирането на температурата на вниманието компенсира изместването на ентропията, запазвайки точността при големи дължини.
Овладяване на мащабирането на прозореца на контекста на YaRN
YaRN (Jet another RoPE extensioN) е техника, която разтяга прозореца на използваемия контекст на трансформатора далеч отвъд това, върху което е бил обучен, с минимална фина настройка. Има значение, защото позволява на съществуващите модели да обработват много по-дълги документи без преквалификация от нулата. YaRN Context Window Scaling 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 YaRN Context Window Scaling 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 YaRN Context Window Scaling, проектират подкани, извличане и цикли за 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
Разширяване на отворен модел LLaMA от 4K до 128K токени, така че да може да поеме цяла кодова база или дълъг договор с едно преминаване
Позволяване на чатбот да запази много дълги истории на разговори, без да отрязва по-ранни ходове
Обобщаване на документи с дължина на книга или многочасови преписи, които надхвърлят родния прозорец на базовия модел
Евтино адаптиране на предварително обучен модел за задачи за извличане на дълъг контекст, като се използва само малък цикъл на фина настройка
Модели на изпълнение
YaRN Context Window Scaling на практика
Разширяване на отворен модел LLaMA от 4K до 128K токени, така че да може да поеме цяла кодова база или дълъг договор с едно преминаване.
Разширяване на отворен LLaMA модел от 4K до 128K токени, така че да може да поеме цяла кодова база или дълъг договор с едно преминаване. Екипите обикновено получават по-добри резултати, когато дефинират прагове за качество предварително, поддържат път на човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
YaRN Context Window Scaling на практика
Позволяване на чатбот да запази много дълги истории на разговори, без да отрязва по-ранни ходове.
Позволяване на чатбот да запази много дълги истории на разговори, без да съкращава по-ранни ходове 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.
YaRN Context Window Scaling на практика
Обобщаване на документи с дължина на книга или многочасови преписи, които надхвърлят естествения прозорец на основния модел.
Обобщаване на документи с дължина на книга или многочасови преписи, които надвишават родния прозорец на базовия модел Екипите обикновено получават по-добри резултати, когато определят праговете за качество предварително, поддържат човешки път за ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
YaRN Context Window Scaling на практика
Евтино адаптиране на предварително обучен модел за задачи за извличане на дълъг контекст, като се използва само малък цикъл на фина настройка.
Евтино адаптиране на предварително обучен модел за задачи за извличане на дълъг контекст, като се използва само малък цикъл на фина настройка 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.
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.