QLoRA y ajuste fino de 4 bits
QLoRA es una técnica que le permite ajustar un modelo de lenguaje masivo en una única GPU de consumo almacenando el modelo congelado en solo 4 bits por peso.
Descripción general
It made customizing 65B-parameter models possible on hardware that previously could only handle models a fraction of that size.
Buceo profundo
Normalmente, ajustar un modelo grande significa cargar cada peso con una precisión de 16 bits y actualizarlos todos, lo que exige una memoria enorme. QLoRA combina dos ideas. Primero, congela el modelo previamente entrenado y lo cuantifica a 4 bits, reduciendo la memoria aproximadamente cuatro veces. En segundo lugar, utiliza LoRA: en lugar de actualizar las matrices de peso gigantes, inyecta pequeñas matrices adaptadoras de bajo rango entrenables junto a ellas, por lo que solo se actualizan unos pocos millones de parámetros. La base de 4 bits permanece fija mientras que los gradientes fluyen sólo a través de los pequeños adaptadores. Introducido en 2023 por Dettmers y sus colegas, QLoRA demostró que el ajuste fino de un modelo de 65B en una GPU de 48GB podría igualar la calidad del ajuste completo de 16 bits.
Información técnica
QLoRA introdujo tres trucos. NF4 (NormalFloat de 4 bits) es un tipo de datos optimizado para la distribución de curva de campana de pesos neuronales, lo que proporciona una mayor precisión que el int4 simple. La doble cuantificación comprime las propias constantes de cuantificación, ahorrando memoria adicional. Los optimizadores paginados utilizan memoria unificada GPU-CPU para absorber picos durante secuencias largas, evitando fallas por falta de memoria. Durante el paso hacia adelante y hacia atrás, los pesos de 4 bits se descuantifican a 16 bits justo a tiempo para la multiplicación de la matriz y luego se descartan.
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 QLoRA y el ajuste fino de 4 bits
El ajuste fino de 4 bits se ha convertido en una práctica estándar y la investigación ahora avanza hacia una precisión aún menor, incluidas representaciones de 2 bits y 1 bit (ternarias). Los esquemas de cuantificación más nuevos, como AWQ, GPTQ y HQQ, perfeccionan aún más la precisión, mientras que técnicas como QA-LoRA tienen como objetivo mantener el modelo cuantificado incluso después de fusionar adaptadores. A medida que crecen los modelos de peso abierto, se espera que las herramientas que permiten a los aficionados ajustar modelos de más de 70 mil millones en una sola GPU para juegos se conviertan en una rutina, democratizando la personalización.
Implementación en el mundo real
Una startup afina un modelo Llama 70B en una única GPU de 48 GB para crear un asistente de atención al cliente con la voz de su propia marca sin alquilar un clúster de servidores.
Un investigador con un RTX 4090 de consumo adapta un modelo abierto a un conjunto de datos de respuesta a preguntas médicas de nicho de la noche a la mañana.
Un desarrollador crea docenas de pequeños adaptadores LoRA intercambiables para diferentes tareas, todos compartiendo un modelo base de 4 bits cargado en la memoria.
Un aficionado ajusta un modelo en sus registros de chat personales para imitar un estilo de escritura particular utilizando hardware gratuito de calidad Colab.
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 QLoRA and 4-Bit Fine-Tuning 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
Ajuste fino del muestreo de rechazo
Preguntas frecuentes
What is QLoRA and 4-Bit Fine-Tuning?
QLoRA es una técnica que le permite ajustar un modelo de lenguaje masivo en una única GPU de consumo almacenando el modelo congelado en solo 4 bits por peso. Hizo posible la personalización de modelos de parámetros 65B en hardware que anteriormente solo podía manejar modelos de una fracción de ese tamaño.
¿Cuál es la idea central de ahorro de memoria detrás de la parte de '4 bits' de QLoRA?
QLoRA almacena los pesos preentrenados congelados a 4 bits por valor, lo que reduce la memoria aproximadamente cuatro veces en comparación con los 16 bits.
Durante el ajuste fino de QLoRA, ¿qué parámetros realmente se actualizan mediante el descenso del gradiente?
El modelo base está congelado; sólo las matrices de adaptadores de bajo rango inyectadas reciben actualizaciones de gradiente, que es solo una pequeña fracción de los parámetros.
¿Qué es NF4 en el contexto de QLoRA?
NF4 (NormalFloat de 4 bits) es un tipo de datos diseñado en torno a la distribución de curva de campana de los pesos de las redes neuronales para una mayor precisión que el int4 simple.
¿Qué problema abordan los 'optimizadores paginados' en QLoRA?
Los optimizadores paginados utilizan memoria unificada GPU-CPU para absorber picos de memoria, evitando fallas por falta de memoria durante el entrenamiento con entradas largas.
¿Cuándo se vuelven a convertir los pesos de 4 bits a mayor precisión durante el entrenamiento?
Los pesos de 4 bits se descuantizan a una precisión de 16 bits sobre la marcha para cada multiplicación de matriz, luego la copia de mayor precisión se desecha para ahorrar memoria.