DalšíDalší průvodce
Interpolace pozice pro kontextové rozšíření
Jazyk AI
Technický PRŮVODCE
YaRN (Ještě další rozšíření RoPE) je účinná technika pro roztažení použitelného kontextového okna modelu daleko nad rámec toho, na čem byl trénován.
Poslechněte si tento návodAI-vyprávěný · ~2 min
It cleverly rescales rotary position embeddings so a model trained on, say, 4K tokens can handle 32K or more with minimal fine-tuning.
Většina moderních LLM kóduje pozice tokenů pomocí RoPE (Rotary Position Embeddings), které rotují dotazovací a klíčové vektory o úhly svázané s pozicí. Když podáváte sekvence delší než tréninková délka, tyto rotace se dostanou do neviditelných rozsahů a model se rozpadne. YaRN, představený v roce 2023 Bowenem Pengem a spolupracovníky, to napravuje interpolací s vědomím NTK aplikovanou na frekvenci: ponechává vysokofrekvenční dimenze (které zachycují místní vztahy s krátkým dosahem) většinou nedotčené, zatímco interpoluje nízkofrekvenční dimenze (které sledují pozici na dlouhé vzdálenosti). YaRN také přidává do pozornosti úpravu teploty, aby se zabránilo změnám entropie, které pocházejí z delších kontextů. Výsledkem je silný dlouhodobý výkon po doladění pouze malého zlomku dat a kroků, které naivní přístupy vyžadují.
Rozšíření modelu s otevřeným kontextem 4K na 32K nebo 128K pro zodpovězení otázek týkajících se dlouhého dokumentu s krátkým doladěním
Umožňuje systémům rozšířeným o načítání přijímat mnoho zřetězených pasáží bez zkrácení
Napájení asistentů kódu, kteří potřebují celý velký soubor úložiště nebo více souborů v jedné výzvě
Přizpůsobení základního modelu pro dlouhé konverzace s více odbočkami, které hromadí velké historie chatu
Rozšíření kontextu je nyní standardní praxí: otevřené modely běžně dodávají varianty s rozšířením YaRN dosahující 128 tisíc tokenů nebo více. Výzkum se posouvá směrem k metodám, které rozšiřují kontext pomocí nulového nebo téměř nulového jemného doladění, kombinují změnu měřítka RoPE s triky se vzorem pozornosti a udržují kvalitu v celém okně, nikoli pouze na koncích. Očekávejte těsnější integraci těchto technik do předtréninku, takže dlouhý kontext je spíše nativní než dovybavený.
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
YaRN (Ještě další rozšíření RoPE) je účinná technika pro roztažení použitelného kontextového okna modelu daleko nad rámec toho, na čem byl trénován. Chytře mění měřítko vložení rotační polohy, takže model trénovaný na, řekněme, 4K tokeny zvládne 32K nebo více s minimálním doladěním.
YaRN, jehož název znamená Ještě další rozšíření RoPE, mění měřítko uložení rotačních poloh používaných ve většině moderních LLM.
Pozice mimo trénink vytvářejí úhly rotace, které model nikdy neviděl, takže chování pozornosti prudce klesá.
YaRN používá NTK-by-parts ramp, která interpoluje nízkofrekvenční stmívání na dlouhých vlnových délkách a nechává vysokofrekvenční tlumení krátkého dosahu většinou nedotčená.
YaRN přidává teplotní škálování do logitů pozornosti, aby čelilo posunům entropie, ke kterým dochází s rostoucím kontextem.
YaRN dosahuje silné kvality dlouhého kontextu po jemném doladění malého zlomku dat, které naivní metody vyžadují.
Učte se dál
Pro toto téma bylo vybráno více průvodců
DalšíDalší průvodce
Interpolace pozice pro kontextové rozšíření
Jazyk AI