Leyes de escala de chinchilla
Las leyes de escalamiento de Chinchilla, de DeepMind en 2022, mostraron que la mayoría de los modelos de lenguaje grandes estaban muy subentrenados: para un presupuesto de computación fijo, se debe escalar el tamaño del modelo y los datos de entrenamiento aproximadamente en la misma proporción.
Descripción general
It matters because it redefined what 'optimal' model size means and reshaped how labs spend compute.
Buceo profundo
Antes de Chinchilla, la tendencia era construir modelos cada vez más grandes (como el GPT-3 con parámetros 175B) mientras se entrenaba con cantidades de datos relativamente modestas. DeepMind entrenó más de 400 modelos en muchos tamaños y presupuestos de datos, luego ajustó curvas que predicen la pérdida en función de parámetros y tokens bajo un presupuesto de cómputo fijo (FLOP). Su hallazgo: los parámetros y los tokens de entrenamiento deben escalar juntos, aproximadamente en una proporción de 1 a 1, lo que implica alrededor de 20 tokens de datos de entrenamiento por parámetro. Para demostrarlo, entrenaron a Chinchilla, un modelo de 70B de parámetros con 1,4 billones de tokens, que superó al mucho más grande Gopher de 280B de parámetros a pesar de usar el mismo cálculo, porque fue entrenado con muchos más datos.
Información técnica
Las leyes provienen del ajuste de una función de pérdida paramétrica L (N, D) donde N son parámetros y D son tokens, incluidos los términos de pérdida irreducible, tamaño de modelo y tamaño de datos. Minimizar la pérdida sujeta a una restricción de cálculo (el cálculo es aproximadamente proporcional a N veces D) produce el resultado de que N y D óptimos crecen como una potencia de cálculo con exponentes similares, por lo que la relación de cálculo óptimo se mantiene cerca de 20 tokens por parámetro.
Impacto Estratégico
Speed and scale
Los flujos de trabajo lingüísticos pueden avanzar más rápido sin sacrificar la coherencia.
Access and reach
Amplía el acceso a través de idiomas y estilos de comunicación.
Decisiones más claras
Los equipos pueden dedicar más tiempo a juzgar mientras la automatización se encarga de la repetición.
El futuro de las leyes de escalamiento de chinchillas
Chinchilla cambió el campo de perseguir recuentos de parámetros a alimentar a los modelos con datos de mucha más alta calidad, y los modelos modernos a menudo se entrenan mucho más allá del punto de "cómputo óptimo" para abaratar la inferencia. A medida que el texto web de alta calidad se vuelve escaso, la atención se centra en la curación de datos, los datos sintéticos, las múltiples épocas y los datos multimodales para seguir escalando. La lección central perdura: los datos y los parámetros deben estar equilibrados, y el tamaño bruto por sí solo ya no es el objetivo.
Implementación en el mundo real
Chinchilla de 70B de parámetros de DeepMind superó al Gopher de 280B en puntos de referencia usando computación igual, al entrenar con muchos más datos
Guiar a los equipos para que presupuestan aproximadamente 20 tokens de entrenamiento por parámetro al planificar un modelo desde cero.
Justificar modelos más pequeños y ricos en datos como LLaMA que son más baratos de ejecutar en el momento de la inferencia
Estimar si un modelo planificado está "subentrenado" y se beneficiaría más de datos adicionales que de parámetros adicionales
Riesgos y barandillas
Los hechos alucinados pueden aparecer silenciosamente en informes, flujos de apoyo o resultados de investigaciones.
La sensibilidad rápida puede crear resultados inconsistentes en solicitudes similares.
Los datos de texto confidenciales pueden quedar expuestos si los controles de acceso son débiles.
Hoja de ruta de implementación
Defina el formato de salida, el tono y los estándares de calidad antes del lanzamiento.
Respuestas terrestres con fuentes confiables siempre que la precisión sea importante.
Mantenga un punto de control de revisión humana para los resultados de alto riesgo.
Realice un seguimiento de los patrones de error y vuelva a capacitar las indicaciones o los flujos de trabajo con regularidad.
Sigue explorando
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Chinchilla Scaling Laws quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Siguiente guía
Leyes de escala para redes neuronales
Preguntas frecuentes
What is Chinchilla Scaling Laws?
Las leyes de escalamiento de Chinchilla, de DeepMind en 2022, mostraron que la mayoría de los modelos de lenguaje grandes estaban muy subentrenados: para un presupuesto de computación fijo, se debe escalar el tamaño del modelo y los datos de entrenamiento aproximadamente en la misma proporción. Es importante porque redefinió lo que significa el tamaño de modelo "óptimo" y reformuló la forma en que los laboratorios gastan la computación.
¿Cuál fue el hallazgo central de las leyes de escala de Chinchilla?
Chinchilla demostró que para un presupuesto de computación fijo, los parámetros y los tokens de entrenamiento deberían crecer juntos, aproximadamente 1 a 1.
¿Aproximadamente cuántos tokens de entrenamiento por parámetro sugirió Chinchilla que son óptimos para el cálculo?
La proporción de cálculo óptimo equivale a aproximadamente 20 tokens de entrenamiento para cada parámetro del modelo.
¿A qué modelo superó Chinchilla a pesar de ser mucho más pequeña?
El Chinchilla de 70B de parámetros venció al Gopher de 280B de parámetros de DeepMind usando el mismo cálculo, porque se entrenó con muchos más datos.
¿Qué quiso decir Chinchilla sobre modelos como el GPT-3 en su momento?
Muchos modelos grandes de esa época no estaban suficientemente entrenados, lo que significa que habrían funcionado mejor con muchos más datos para el recuento de parámetros.
¿Cómo se aproximó aproximadamente el cálculo en el análisis de Chinchilla?
El cálculo de entrenamiento (FLOP) es aproximadamente proporcional al número de parámetros multiplicado por el número de tokens de entrenamiento.