Přehled
YaRN (Ještě další rozšíření RoPE) je technika, která rozšiřuje použitelné kontextové okno transformátoru daleko nad rámec toho, na čem bylo trénováno, s minimálním doladěním. Je to důležité, protože umožňuje stávajícím modelům zpracovávat mnohem delší dokumenty bez přeškolování od nuly.
YaRN Context Window Scaling je součástí sady jazyk-AI používané ke čtení, generování, klasifikaci a transformaci textu a řeči v měřítku.
Hluboký ponor
Většina moderních LLM kóduje pozice slov pomocí Rotary Position Embeddings (RoPE), které fungují dobře pouze do délky, kterou model viděl během tréninku. Podávejte v delším sledu a model špatně degraduje. YaRN to řeší změnou měřítek rotačních frekvencí RoPE způsobem s vědomím frekvence: vysokofrekvenční dimenze (které zachycují místní, blízké vztahy) jsou většinou ponechány nedotčené, zatímco nízkofrekvenční dimenze (které zachycují pozici na velké vzdálenosti) jsou interpolovány. Přidává také do pozornosti úpravu teploty, aby se logit choval dobře na dlouhé vzdálenosti. Výsledek, demonstrovaný na modelech LLaMA, rozšiřuje kontext ze 4K na 64K-128K tokenů pomocí pouze asi 0,1 % původních trénovacích dat a několika set dolaďovacích kroků.
Technický přehled
RoPE otáčí dotazovací a klíčové vektory o úhel úměrný poloze a frekvenci pro každou dimenzi. Naivní lineární interpolace (Position Interpolation) zmáčkne všechny frekvence stejně a poškodí místní detaily. YaRN místo toho aplikuje „NTK-by-parts“: interpoluje pouze nízkofrekvenční (dlouhovlnné) dimenze, vysokofrekvenční nechává samotné a přechází mezi nimi. Měřítko teploty pozornosti kompenzuje posun entropie a zachovává přesnost při delších délkách.
Zvládnutí změny měřítka kontextového okna příze
YaRN (Ještě další rozšíření RoPE) je technika, která rozšiřuje použitelné kontextové okno transformátoru daleko nad rámec toho, na čem bylo trénováno, s minimálním doladěním. Je to důležité, protože umožňuje stávajícím modelům zpracovávat mnohem delší dokumenty bez přeškolování od nuly. YaRN Context Window Scaling je součástí sady jazyk-AI používané ke čtení, generování, klasifikaci a transformaci textu a řeči v měřítku. Chcete-li dosáhnout hlubokého porozumění, zacházejte se škálováním kontextového okna YaRN jako s provozním modelem, nikoli s jedinou funkcí: definujte požadované výsledky, vyjasněte předpoklady a oddělte to, co systém dokáže spolehlivě, od toho, co stále vyžaduje odborný úsudek.
V praxi silné týmy používající YaRN Context Window Scaling navrhují, vyhledávají a kontrolují smyčky jako jeden integrovaný komunikační systém. Dokumentují explicitní kritéria úspěšnosti, testují s realistickými daty a pracovními postupy a opakují se na základě pozorovaných vzorců selhání spíše než jednorázových výher v benchmarku. Zde se teoretické porozumění mění v trvalé schopnosti napříč produktem, politikou a provozem.
Jazykové pracovní postupy se mohou pohybovat rychleji, aniž by byla obětována konzistentnost. Zároveň mohou halucinovaná fakta tiše vstupovat do zpráv, toků podpory nebo výstupů výzkumu. Nejodolnějším přístupem je kombinovat rychlost experimentování s disciplínou správy: spouštějte pilotní projekty, zachycujte důkazy, publikujte protokoly rozhodnutí a průběžně aktualizujte zabezpečení podle toho, jak se vyvíjí chování modelu, očekávání uživatelů a regulační požadavky.
Strategický dopad
Jazykové pracovní postupy se mohou pohybovat rychleji, aniž by byla obětována konzistentnost.
Jazykové pracovní postupy se mohou pohybovat rychleji, aniž by byla obětována konzistentnost. Ve vysoce kvalitních nasazeních se to promítá do měřitelných provozních pravidel, hranic vlastnictví a opakujících se rituálů kontroly, takže týmy mohou škálovat důvěru namísto škálování nejednoznačnosti.
Rozšiřuje přístup napříč jazyky a komunikačními styly.
Rozšiřuje přístup napříč jazyky a komunikačními styly. Ve vysoce kvalitních nasazeních se to promítá do měřitelných provozních pravidel, hranic vlastnictví a opakujících se rituálů kontroly, takže týmy mohou škálovat důvěru namísto škálování nejednoznačnosti.
Týmy mohou strávit více času úsudkem, zatímco automatizace zvládne opakování.
Týmy mohou strávit více času úsudkem, zatímco automatizace zvládne opakování. Ve vysoce kvalitních nasazeních se to promítá do měřitelných provozních pravidel, hranic vlastnictví a opakujících se rituálů kontroly, takže týmy mohou škálovat důvěru namísto škálování nejednoznačnosti.
Real-World Implementace
Rozšíření otevřeného modelu LLaMA ze 4K na 128K tokenů, aby mohl zpracovat celou kódovou základnu nebo dlouhou smlouvu v jednom průchodu
Nechat chatbota uchovat si velmi dlouhou historii konverzací bez zkracování dřívějších tahů
Shrnutí dokumentů v délce knihy nebo vícehodinových přepisů, které přesahují nativní okno základního modelu
Levné přizpůsobení předem trénovaného modelu pro úlohy vyhledávání v dlouhém kontextu s použitím pouze malého cyklu jemného doladění
Implementační vzory
YaRN Context Window Scaling v praxi
Rozšíření otevřeného modelu LLaMA ze 4K na 128K tokenů, aby mohl zpracovat celou kódovou základnu nebo dlouhou smlouvu v jednom průchodu.
Rozšíření otevřeného modelu LLaMA ze 4K na 128K tokenů, aby mohl zpracovat celou kódovou základnu nebo dlouhou smlouvu v jednom průchodu Týmy obvykle dosahují lepších výsledků, když předem definují prahové hodnoty kvality, udržují cestu lidské eskalace pro okrajové případy a sledují jak zisky z produktivity, tak náklady na chyby v průběhu času.
YaRN Context Window Scaling v praxi
Nechat chatbota uchovat si velmi dlouhou historii konverzací bez zkracování dřívějších tahů.
Nechat chatbota uchovat si velmi dlouhou historii konverzací bez zkracování dřívějších tahů Týmy obvykle dosahují lepších výsledků, když předem definují prahové hodnoty kvality, udržují cestu lidské eskalace pro okrajové případy a sledují jak zisky z produktivity, tak náklady na chyby v průběhu času.
YaRN Context Window Scaling v praxi
Shrnutí dokumentů v délce knihy nebo vícehodinových přepisů, které přesahují nativní okno základního modelu.
Shrnutí dokumentů v délce knihy nebo vícehodinových přepisů, které překračují nativní okno základního modelu Týmy obvykle dosahují lepších výsledků, když předem definují prahové hodnoty kvality, udržují cestu lidské eskalace pro okrajové případy a sledují jak zisky z produktivity, tak náklady na chyby v průběhu času.
YaRN Context Window Scaling v praxi
Levná adaptace předem trénovaného modelu pro úlohy vyhledávání v dlouhém kontextu s použitím pouze malého dolaďovacího běhu.
Levná adaptace předem vyškoleného modelu pro úlohy vyhledávání s dlouhým kontextem za použití pouze malého dolaďovacího cyklu Týmy obvykle dosahují lepších výsledků, když předem definují prahové hodnoty kvality, udržují cestu lidské eskalace pro okrajové případy a sledují jak zisky z produktivity, tak náklady na chyby v průběhu času.
Rizika a zábradlí
Halucinovaná fakta mohou tiše vstupovat do zpráv, podpůrných toků nebo výstupů výzkumu.
Citlivost na výzvy může způsobit nekonzistentní výsledky napříč podobnými požadavky.
Citlivá textová data mohou být vystavena, pokud je řízení přístupu slabé.
Plán implementace
Před zavedením definujte výstupní formát, tón a standardy kvality.
Před zavedením definujte výstupní formát, tón a standardy kvality. Považujte každý krok za důkazní bránu: pokud nejsou splněna kritéria, pozastavte zavádění, uzavřete mezeru a teprve poté rozšiřte využití.
Pozemní reakce s důvěryhodnými zdroji, kdykoli záleží na přesnosti.
Pozemní reakce s důvěryhodnými zdroji, kdykoli záleží na přesnosti. Považujte každý krok za důkazní bránu: pokud nejsou splněna kritéria, pozastavte zavádění, uzavřete mezeru a teprve poté rozšiřte využití.
Udržujte kontrolní bod lidské kontroly pro vysoce důležité výstupy.
Udržujte kontrolní bod lidské kontroly pro vysoce důležité výstupy. Považujte každý krok za důkazní bránu: pokud nejsou splněna kritéria, pozastavte zavádění, uzavřete mezeru a teprve poté rozšiřte využití.
Sledujte vzorce selhání a pravidelně opakujte výzvy nebo pracovní postupy.
Sledujte vzorce selhání a pravidelně opakujte výzvy nebo pracovní postupy. Považujte každý krok za důkazní bránu: pokud nejsou splněna kritéria, pozastavte zavádění, uzavřete mezeru a teprve poté rozšiřte využití.