ওভারভিউ
গ্রুপড-কোয়েরি অ্যাটেনশন (GQA) হল টেক্সট জেনারেশনের সময় প্রয়োজনীয় মেমরি সঙ্কুচিত করার একটি উপায় যাতে বেশ কয়েকটি ক্যোয়ারী হেড একই কী এবং ভ্যালু হেড শেয়ার করে। এটি বড় মডেলগুলিকে খুব দ্রুত পরিবেশন করে যাতে প্রায় কোনও গুণমান নষ্ট না হয়৷
গ্রুপড-কোয়েরি অ্যাটেনশন হল ভাষা-এআই স্ট্যাকের অংশ যা পাঠ্য এবং বক্তৃতা পাঠ, তৈরি, শ্রেণীবিভাগ এবং রূপান্তর করতে ব্যবহৃত হয়।
গভীর ডুব
একটি স্ট্যান্ডার্ড মাল্টি-হেড অ্যাটেনশন লেয়ারে, প্রতিটি হেডের নিজস্ব প্রশ্ন, কী এবং মান থাকে। প্রজন্মের সময়, সমস্ত পূর্ববর্তী টোকেনের কী এবং মানগুলি ক্যাশে করা হয় ('কেভি ক্যাশে') তাই মডেলটি তাদের পুনরায় গণনা করে না। অনেক মাথা এবং দীর্ঘ প্রসঙ্গ সহ, এই ক্যাশে বিশাল হয়ে ওঠে এবং অনুমান সময়ে মেমরি ব্যান্ডউইথকে প্রাধান্য দেয়। GQA, 2023 সালে Google গবেষকদের দ্বারা প্রবর্তিত, ক্যোয়ারী হেডগুলিকে গোষ্ঠীভুক্ত করে এবং প্রতিটি গোষ্ঠীকে একক ভাগ করা কী এবং মান প্রধানের সেট দেয়৷ আপনার যদি 32টি ক্যোয়ারী হেড থাকে কিন্তু শুধুমাত্র 8 KV গ্রুপ থাকে, তাহলে KV ক্যাশে মোটামুটি চারগুণ সঙ্কুচিত হয়। এটি সম্পূর্ণ মাল্টি-হেড অ্যাটেনশন (প্রতিটি মাথা আলাদা) এবং মাল্টি-কোয়ারি অ্যাটেনশন (সব হেডের জন্য একটি শেয়ার্ড কেভি) এর মধ্যে বসে, গুণমানকে সম্পূর্ণ মনোযোগের কাছাকাছি রেখে MQA-এর বেশিরভাগ গতি ক্যাপচার করে। Llama 2 70B এবং পরবর্তী অনেক মডেল এটি গ্রহণ করেছে।
প্রযুক্তিগত অন্তর্দৃষ্টি
মনোযোগের গুণমান অনেকগুলি স্বতন্ত্র ক্যোয়ারী দিকনির্দেশ থাকার উপর ব্যাপকভাবে নির্ভর করে, তবে এটি কী এবং মানগুলি ভাগ করে নেওয়া সহ্য করে৷ GQA এই অসামঞ্জস্যতাকে কাজে লাগায়: এটি সমস্ত ক্যোয়ারী হেড রাখে কিন্তু প্রতিটি শেয়ার করা KV হেডকে তার গ্রুপের ক্যোয়ারী জুড়ে প্রতিলিপি করে। সঞ্চয়গুলি অনুমানে আসে, যেখানে কেভি ক্যাশে মেমরি ব্যান্ডউইথের প্রধান গ্রাহক; কম কেভি হেড মানে প্রতি জেনারেটেড টোকেন পড়ার জন্য কম ডেটা। মডেলগুলিকে প্রায়শই সংক্ষিপ্তভাবে 'প্রশিক্ষিত' করা হয় একটি বিদ্যমান মাল্টি-হেড চেকপয়েন্টকে একটি GQA-এ রূপান্তর করার জন্য।
মাস্টারিং গ্রুপড-কোয়েরি মনোযোগ
গ্রুপড-কোয়েরি অ্যাটেনশন (GQA) হল টেক্সট জেনারেশনের সময় প্রয়োজনীয় মেমরি সঙ্কুচিত করার একটি উপায় যাতে বেশ কয়েকটি ক্যোয়ারী হেড একই কী এবং ভ্যালু হেড শেয়ার করে। এটি বড় মডেলগুলিকে খুব দ্রুত পরিবেশন করে যাতে প্রায় কোনও গুণমান নষ্ট না হয়৷ গ্রুপড-কোয়েরি অ্যাটেনশন হল ভাষা-এআই স্ট্যাকের অংশ যা পাঠ্য এবং বক্তৃতা পাঠ, তৈরি, শ্রেণীবিভাগ এবং রূপান্তর করতে ব্যবহৃত হয়। গভীর বোঝাপড়া তৈরি করতে, গ্রুপড-কোয়েরি অ্যাটেনশনকে একটি অপারেটিং মডেল হিসাবে বিবেচনা করুন, একটি একক বৈশিষ্ট্য নয়: পছন্দসই ফলাফলগুলি সংজ্ঞায়িত করুন, অনুমানগুলি স্পষ্ট করুন এবং সিস্টেমটি নির্ভরযোগ্যভাবে কী করতে পারে তা এখনও বিশেষজ্ঞের বিচারের প্রয়োজন থেকে আলাদা করুন৷
অনুশীলনে, গ্রুপড-কোয়েরি অ্যাটেনশন ডিজাইন ব্যবহার করে শক্তিশালী দলগুলি একটি সমন্বিত যোগাযোগ ব্যবস্থা হিসাবে লুপগুলি পুনরুদ্ধার, পুনরুদ্ধার এবং পর্যালোচনা করে। তারা সুস্পষ্ট সাফল্যের মাপকাঠি নথিভুক্ত করে, বাস্তবসম্মত ডেটা এবং কর্মপ্রবাহের বিরুদ্ধে পরীক্ষা করে এবং এককালীন বেঞ্চমার্ক জয়ের পরিবর্তে পর্যবেক্ষিত ব্যর্থতার ধরণগুলির উপর ভিত্তি করে পুনরাবৃত্তি করে। এখানেই তাত্ত্বিক বোঝাপড়া পণ্য, নীতি এবং অপারেশন জুড়ে টেকসই সক্ষমতায় পরিণত হয়।
ভাষার কর্মপ্রবাহ ধারাবাহিকতাকে ত্যাগ না করে দ্রুত অগ্রসর হতে পারে। একই সময়ে, হ্যালুসিনেটেড ফ্যাক্টগুলি নিঃশব্দে রিপোর্ট, সমর্থন প্রবাহ বা গবেষণা আউটপুট প্রবেশ করতে পারে। সবচেয়ে স্থিতিস্থাপক পদ্ধতি হল প্রশাসনিক শৃঙ্খলার সাথে পরীক্ষার গতিকে একত্রিত করা: পাইলট চালান, প্রমাণ ক্যাপচার করুন, সিদ্ধান্তের লগ প্রকাশ করুন এবং মডেল আচরণ, ব্যবহারকারীর প্রত্যাশা এবং নিয়ন্ত্রক প্রয়োজনীয়তাগুলি বিকশিত হওয়ার সাথে সাথে অবিচ্ছিন্ন সুরক্ষাগুলি আপডেট করুন।
কৌশলগত প্রভাব
ভাষার কর্মপ্রবাহ ধারাবাহিকতাকে ত্যাগ না করে দ্রুত অগ্রসর হতে পারে।
ভাষার কর্মপ্রবাহ ধারাবাহিকতাকে ত্যাগ না করে দ্রুত অগ্রসর হতে পারে। উচ্চ-মানের স্থাপনায়, এটি পরিমাপযোগ্য অপারেটিং নিয়ম, মালিকানার সীমানা এবং পুনরাবৃত্ত পর্যালোচনার আচার-অনুষ্ঠানে অনুবাদ করা হয় যাতে দলগুলি অস্পষ্টতার পরিবর্তে আত্মবিশ্বাস বাড়াতে পারে।
এটি ভাষা এবং যোগাযোগ শৈলী জুড়ে অ্যাক্সেস প্রসারিত করে।
এটি ভাষা এবং যোগাযোগ শৈলী জুড়ে অ্যাক্সেস প্রসারিত করে। উচ্চ-মানের স্থাপনায়, এটি পরিমাপযোগ্য অপারেটিং নিয়ম, মালিকানার সীমানা এবং পুনরাবৃত্ত পর্যালোচনার আচার-অনুষ্ঠানে অনুবাদ করা হয় যাতে দলগুলি অস্পষ্টতার পরিবর্তে আত্মবিশ্বাস বাড়াতে পারে।
অটোমেশন পুনরাবৃত্তি পরিচালনা করার সময় দলগুলি বিচারে আরও বেশি সময় ব্যয় করতে পারে।
অটোমেশন পুনরাবৃত্তি পরিচালনা করার সময় দলগুলি বিচারে আরও বেশি সময় ব্যয় করতে পারে। উচ্চ-মানের স্থাপনায়, এটি পরিমাপযোগ্য অপারেটিং নিয়ম, মালিকানার সীমানা এবং পুনরাবৃত্ত পর্যালোচনার আচার-অনুষ্ঠানে অনুবাদ করা হয় যাতে দলগুলি অস্পষ্টতার পরিবর্তে আত্মবিশ্বাস বাড়াতে পারে।
বাস্তব-বিশ্ব বাস্তবায়ন
Llama 2 70B এবং Llama 3 GQA ব্যবহার করে একটি ছোট কেভি ক্যাশের সাথে দীর্ঘ প্রসঙ্গ পরিবেশন করে
GPU মেমরি হ্রাস করা যাতে একটি বড় চ্যাট মডেল কম বা সস্তা এক্সিলারেটরে ফিট করে
প্রোডাকশন এপিআই-এ টোকেন-বাই-টোকেন জেনারেশনের গতি বাড়ানো যেখানে কেভি-ক্যাশ ব্যান্ডউইথ হল বাধা
মেমরির ক্লান্তি ছাড়াই একসাথে অনেক ব্যবহারকারীকে পরিবেশন করার জন্য বড় ব্যাচের আকার সক্ষম করা
বাস্তবায়ন নিদর্শন
অনুশীলনে দলবদ্ধ-কোয়েরি মনোযোগ
Llama 2 70B এবং Llama 3 GQA ব্যবহার করে একটি ছোট KV ক্যাশের সাথে দীর্ঘ প্রসঙ্গ পরিবেশন করে।
Llama 2 70B এবং Llama 3 GQA ব্যবহার করে একটি ছোট কেভি ক্যাশের সাথে দীর্ঘ প্রসঙ্গ পরিবেশন করে দলগুলি সাধারণত ভাল ফলাফল পায় যখন তারা সামনের মানের থ্রেশহোল্ডগুলিকে সংজ্ঞায়িত করে, প্রান্তের ক্ষেত্রে একটি মানবিক বৃদ্ধির পথ রাখে এবং সময়ের সাথে সাথে উত্পাদনশীলতা লাভ এবং ত্রুটির খরচ উভয়ই ট্র্যাক করে৷
অনুশীলনে দলবদ্ধ-কোয়েরি মনোযোগ
GPU মেমরি হ্রাস করা যাতে একটি বড় চ্যাট মডেল কম বা সস্তা এক্সিলারেটরে ফিট করে।
GPU মেমরি হ্রাস করা যাতে একটি বড় চ্যাট মডেল কম বা সস্তা অ্যাক্সিলারেটরগুলিতে ফিট হয় দলগুলি সাধারণত ভাল ফলাফল পায় যখন তারা সামনের মানের থ্রেশহোল্ডগুলিকে সংজ্ঞায়িত করে, প্রান্তের ক্ষেত্রে একটি মানবিক বৃদ্ধির পথ রাখে এবং সময়ের সাথে সাথে উত্পাদনশীলতা লাভ এবং ত্রুটির খরচ উভয়ই ট্র্যাক করে৷
অনুশীলনে দলবদ্ধ-কোয়েরি মনোযোগ
প্রোডাকশন এপিআই-এ টোকেন-বাই-টোকেন জেনারেশনের গতি বাড়ানো যেখানে কেভি-ক্যাশে ব্যান্ডউইথ হল বাধা।
প্রোডাকশন এপিআই-এ টোকেন-বাই-টোকেন জেনারেশনের গতি বাড়ানো যেখানে কেভি-ক্যাশ ব্যান্ডউইথ হল বাধা হয়ে দাঁড়ায় দলগুলি সাধারণত ভাল ফলাফল পায় যখন তারা সামনের মানের থ্রেশহোল্ডগুলিকে সংজ্ঞায়িত করে, প্রান্তের ক্ষেত্রে একটি মানবিক বৃদ্ধির পথ রাখে এবং সময়ের সাথে সাথে উত্পাদনশীলতা লাভ এবং ত্রুটির খরচ উভয়ই ট্র্যাক করে।
অনুশীলনে দলবদ্ধ-কোয়েরি মনোযোগ
মেমরির ক্লান্তি ছাড়াই একসাথে অনেক ব্যবহারকারীকে পরিবেশন করার জন্য বড় ব্যাচের আকার সক্ষম করা।
মেমরির ক্লান্তি ছাড়াই একসাথে অনেক ব্যবহারকারীকে পরিবেশন করার জন্য বড় ব্যাচের মাপ সক্ষম করা দলগুলি সাধারণত ভাল ফলাফল পায় যখন তারা সামনের মানের থ্রেশহোল্ডগুলিকে সংজ্ঞায়িত করে, প্রান্তের ক্ষেত্রে একটি মানবিক বৃদ্ধির পথ রাখে এবং সময়ের সাথে সাথে উত্পাদনশীলতা লাভ এবং ত্রুটির খরচ উভয়ই ট্র্যাক করে৷
ঝুঁকি এবং প্রহরী
হ্যালুসিনেটেড ফ্যাক্টগুলি শান্তভাবে রিপোর্ট, সমর্থন প্রবাহ, বা গবেষণা আউটপুট প্রবেশ করতে পারে।
প্রম্পট সংবেদনশীলতা অনুরূপ অনুরোধ জুড়ে অসামঞ্জস্যপূর্ণ ফলাফল তৈরি করতে পারে।
অ্যাক্সেস কন্ট্রোল দুর্বল হলে সংবেদনশীল পাঠ্য ডেটা উন্মুক্ত হতে পারে।
বাস্তবায়ন রোডম্যাপ
রোলআউট করার আগে আউটপুট ফর্ম্যাট, টোন এবং মানের মান নির্ধারণ করুন।
রোলআউট করার আগে আউটপুট ফর্ম্যাট, টোন এবং মানের মান নির্ধারণ করুন। প্রতিটি পদক্ষেপকে একটি প্রমাণ গেট হিসাবে বিবেচনা করুন: যদি মানদণ্ড পূরণ না হয়, রোলআউট থামান, ব্যবধান বন্ধ করুন এবং শুধুমাত্র তারপর ব্যবহার প্রসারিত করুন।
যখনই নির্ভুলতা গুরুত্বপূর্ণ তখন বিশ্বস্ত উত্সের সাথে গ্রাউন্ড প্রতিক্রিয়া।
যখনই নির্ভুলতা গুরুত্বপূর্ণ তখন বিশ্বস্ত উত্সের সাথে গ্রাউন্ড প্রতিক্রিয়া। প্রতিটি পদক্ষেপকে একটি প্রমাণ গেট হিসাবে বিবেচনা করুন: যদি মানদণ্ড পূরণ না হয়, রোলআউট থামান, ব্যবধান বন্ধ করুন এবং শুধুমাত্র তারপর ব্যবহার প্রসারিত করুন।
উচ্চ-স্টেকের আউটপুটগুলির জন্য একটি মানব পর্যালোচনা চেকপয়েন্ট রাখুন।
উচ্চ-স্টেকের আউটপুটগুলির জন্য একটি মানব পর্যালোচনা চেকপয়েন্ট রাখুন। প্রতিটি পদক্ষেপকে একটি প্রমাণ গেট হিসাবে বিবেচনা করুন: যদি মানদণ্ড পূরণ না হয়, রোলআউট থামান, ব্যবধান বন্ধ করুন এবং শুধুমাত্র তারপর ব্যবহার প্রসারিত করুন।
ব্যর্থতার নিদর্শনগুলি ট্র্যাক করুন এবং প্রম্পট বা ওয়ার্কফ্লোগুলিকে নিয়মিতভাবে পুনরায় প্রশিক্ষণ দিন।
ব্যর্থতার নিদর্শনগুলি ট্র্যাক করুন এবং প্রম্পট বা ওয়ার্কফ্লোগুলিকে নিয়মিতভাবে পুনরায় প্রশিক্ষণ দিন। প্রতিটি পদক্ষেপকে একটি প্রমাণ গেট হিসাবে বিবেচনা করুন: যদি মানদণ্ড পূরণ না হয়, রোলআউট থামান, ব্যবধান বন্ধ করুন এবং শুধুমাত্র তারপর ব্যবহার প্রসারিত করুন।