DalšíDalší průvodce
Interpolace pozice pro kontextové rozšíření
Jazyk AI
Technický PRŮVODCE
Poziční interpolace (PI) je jednoduchá, vlivná technika, která rozšiřuje kontextové okno Transformeru vtlačením nových pozičních indexů do rozsahu, který model již zná.
Poslechněte si tento návodAI-vyprávěný · ~2 min
Instead of extrapolating to unseen positions, it interpolates within trained ones, requiring only brief fine-tuning.
Poziční interpolace, kterou v roce 2023 představili výzkumníci Meta (Chen et al.), řeší skutečnost, že modely s RoPE katastrofálně selhávají při extrapolaci do pozic mimo trénink. Tento náhled je kontraintuitivní: namísto toho, aby model žádal, aby zpracovával větší hodnoty polohy, které nikdy neviděl, PI rozděluje příchozí indexy polohy měřítkem, takže cílová délka, řekněme, 8K mapuje zpět do původního rozsahu 2K. Protože byl model natrénován na tomto rozsahu, rotace zůstávají v distribuci. Po pouhých 1 000 krocích jemného doladění se takto rozšířený model LLaMA zpracoval až do 32 000 kontextu. Článek ukázal, že extrapolace může zvýšit skóre pozornosti na obrovské hodnoty, zatímco interpolace je udržuje ohraničená a stabilní, což je důvod, proč interpolace funguje výrazně lépe než extrapolace.
Rozšíření 2K-kontextového modelu LLaMA o zpracování 8K-32K tokenů s přibližně 1 000 kroky jemného doladění
Přizpůsobení stávajícího modelu chatu pro shrnutí dlouhých dokumentů bez přeškolování od nuly
Slouží jako koncepční základ, na kterém se zlepšuje škálování s vědomím NTK a YaRN
Povolení dlouhého kontextového kódu nebo analýzy právních dokumentů na modelech původně trénovaných s krátkými okny
Poziční interpolace se stala základem pro vlnu následných kroků, včetně škálování s vědomím NTK a YaRN, které interpolují selektivněji, aby byly zachovány místní detaily. Trajektorie směřuje k metodám, které vyžadují jen malé nebo žádné jemné dolaďování, ak zapracování dlouhých kontextových manipulací do předtréninku. PI zůstává cenným výchozím bodem a je často kombinován s novějšími schématy s ohledem na frekvenci, aby bylo možné efektivně dosáhnout více než 128 tisíc kontextových oken.
Newsletter zdarma
Tři ověřené příběhy ze světa AI každý všední den ráno, psané srozumitelnou angličtinou. Navždy zdarma, bez reklam.
Jeden e-mail každý všední den. Odhlásit se můžete jedním kliknutím. Vaši adresu nikdy neprodáváme ani nesdílíme.
Otestujte se
Okamžitá zpětná vazba ke každé odpovědi a sdílitelný certifikát s ověřitelným ID po absolvování kurzu.
Podpořte bezplatnou AI vzdělávání. AI Understanding je nezisková organizace 501(c)(3) — žádné reklamy, žádná platba za přístup, nikdy. Darujte
Poziční interpolace (PI) je jednoduchá, vlivná technika, která rozšiřuje kontextové okno Transformeru vtlačením nových pozičních indexů do rozsahu, který model již zná. Namísto extrapolace na neviditelné pozice interpoluje v rámci trénovaných pozic, což vyžaduje pouze krátké jemné doladění.
PI rozděluje poziční indexy měřítkovým faktorem, takže delší sekvence mapují zpět do natrénovaného pozičního rozsahu a udržují rotace v distribuci.
PI papír ukázal, že neviditelné velké pozice mohou produkovat skóre pozornosti řádově větší než trénink, což destabilizuje softmax.
List uvedl, že k rozšíření kontextu až na 32 000 tokenů stačilo přibližně 1 000 kroků jemného doladění.
PI změní měřítko polohy m na m/s, čímž stlačí nový větší rozsah do původního natrénovaného rozsahu.
PI stanovila interpolaci jako bezpečný přístup; Škálování s vědomím NTK a YaRN jej vylepšily selektivnější interpolací frekvencí.
Učte se dál
Pro toto téma bylo vybráno více průvodců
DalšíDalší průvodce
Interpolace pozice pro kontextové rozšíření
Jazyk AI