प्रसंग विस्तार के लिए स्थिति प्रक्षेप
पोजीशन इंटरपोलेशन (पीआई) एक ऐसी तकनीक है जो किसी भाषा मॉडल की प्रयोग करने योग्य संदर्भ विंडो को उसके प्रशिक्षण की लंबाई से कहीं अधिक फैलाती है, इसके लिए स्थितिगत सूचकांकों को एक्सट्रपलेशन करने के बजाय उन्हें पुन: स्केल किया जाता है।
सिंहावलोकन
It lets a model trained on, say, 2K or 4K tokens handle 32K or more with only light fine-tuning.
गहरा गोता
अधिकांश आधुनिक एलएलएम रोटरी पोजिशनल एम्बेडिंग (आरओपीई) का उपयोग करते हैं, जो क्वेरी और कुंजी वैक्टर पर लागू रोटेशन कोण के रूप में स्थिति को एन्कोड करते हैं। यदि आप बस लंबे अनुक्रमों को फ़ीड करते हैं, तो मॉडल उन स्थितियों और रोटेशन कोणों को देखता है जिन पर उसने कभी प्रशिक्षण नहीं लिया है, और प्रदर्शन ढह जाता है क्योंकि ध्यान आउट-ऑफ़-रेंज आवृत्तियों पर खराब रूप से केंद्रित होता है। स्थिति इंटरपोलेशन एक्सट्रपलेशन से बचता है: लंबाई L से लंबाई L' तक विस्तार करने के लिए, यह प्रत्येक स्थिति सूचकांक को कारक L'/L से विभाजित करता है, नई सीमा को वापस प्रशिक्षित अंतराल में निचोड़ता है। मॉडल अब केवल इन-डिस्ट्रीब्यूशन कोण देखता है, बस अधिक सघनता से दूरी रखता है। एक छोटी फाइन-ट्यून (अक्सर कुछ सौ से एक हजार कदम) इसे बेहतर दूरी के अनुकूल बनाने देती है, जिससे पूर्व-प्रशिक्षण लागत के एक छोटे से अंश पर स्थिर दीर्घकालिक-संदर्भ व्यवहार प्राप्त होता है।
तकनीकी अंतर्दृष्टि
RoPE आयाम युग्मों को उन आवृत्तियों पर घुमाता है जो बारीक से मोटे तक फैली होती हैं। पीआई स्थिति एम को एम/एस में पुन: स्केल करता है जहां एस = एल'/एल है, इसलिए रोटेशन कोण एक्सट्रपलेशन के बजाय प्रशिक्षित सीमा के भीतर रहते हैं। एनटीके-अवेयर स्केलिंग और वाईआरएन जैसे फ्रीक्वेंसी-जागरूक वेरिएंट आगे बढ़ते हैं: वे कम आवृत्तियों को कम और उच्च आवृत्तियों को अधिक मापते हैं (या तरंग दैर्ध्य द्वारा प्रक्षेप करते हैं), कम-आवृत्ति लंबी दूरी की पहुंच का विस्तार करते हुए उच्च-आवृत्ति स्थानीय विवरण को संरक्षित करते हैं।
सामरिक प्रभाव
गति और पैमाना
भाषा वर्कफ़्लो निरंतरता से समझौता किए बिना तेज़ी से आगे बढ़ सकता है।
पहुंच और पहुंच
यह सभी भाषाओं और संचार शैलियों तक पहुंच का विस्तार करता है।
स्पष्ट निर्णय
टीमें निर्णय लेने में अधिक समय व्यतीत कर सकती हैं जबकि स्वचालन पुनरावृत्ति को संभालता है।
संदर्भ विस्तार के लिए स्थिति अंतर्वेशन का भविष्य
प्रसंग विस्तार तेजी से आगे बढ़ रहा है. एनटीके-अवेयर RoPE स्केलिंग, YaRN और डायनामिक/लॉन्ग-RoPE जैसी विधियां अब विंडोज़ को सैकड़ों हजारों या यहां तक कि लाखों टोकन तक पहुंचाती हैं, कभी-कभी बहुत कम या बिना किसी फाइन-ट्यूनिंग के। उम्मीद करें कि इन स्केलिंग युक्तियों को कुशल ध्यान और केवी-कैश संपीड़न के साथ जोड़ा जाएगा, और मॉडल कॉन्फ़िगरेशन में मानक नॉब बन जाएंगे। पूर्ण विंडो में सटीकता को उच्च बनाए रखने के लिए अनुसंधान जारी है ताकि लंबे संदर्भ वास्तव में प्रयोग करने योग्य हों, न कि केवल नाममात्र के लिए समर्थित।
वास्तविक विश्व कार्यान्वयन
संक्षिप्त फ़ाइन-ट्यूनिंग के बाद लंबे दस्तावेज़ों को सारांशित करने के लिए 4K-प्रशिक्षित LLaMA मॉडल को 32K संदर्भ में विस्तारित करना।
क्रॉस-फ़ाइल प्रश्न उत्तर के लिए संपूर्ण कोडबेस या बड़े कानूनी अनुबंध को एक प्रॉम्प्ट में लोड करना।
न्यूनतम या बिना किसी अतिरिक्त प्रशिक्षण के संदर्भ को लंबा करने के लिए एनटीके-अवेयर या याआरएन स्केलिंग का उपयोग करना।
अनुमान के समय RoPE स्थिति को पुनः स्केल करके लंबे चैट इतिहास को बिना किसी काट-छांट के प्रस्तुत करना।
जोखिम और रेलिंग
मतिभ्रम वाले तथ्य चुपचाप रिपोर्ट में प्रवेश कर सकते हैं, प्रवाह का समर्थन कर सकते हैं, या अनुसंधान आउटपुट का समर्थन कर सकते हैं।
त्वरित संवेदनशीलता समान अनुरोधों में असंगत परिणाम पैदा कर सकती है।
यदि पहुंच नियंत्रण कमजोर हैं तो संवेदनशील पाठ डेटा उजागर हो सकता है।
कार्यान्वयन रोडमैप
रोलआउट से पहले आउटपुट स्वरूप, टोन और गुणवत्ता मानकों को परिभाषित करें।
जब भी सटीकता मायने रखती है तो विश्वसनीय स्रोतों के साथ जमीनी प्रतिक्रियाएँ।
उच्च जोखिम वाले आउटपुट के लिए एक मानव समीक्षा चेकपॉइंट रखें।
विफलता पैटर्न को ट्रैक करें और संकेतों या वर्कफ़्लो को नियमित रूप से पुनः प्रशिक्षित करें।
अन्वेषण करते रहें
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 Position Interpolation for Context Extension 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
अगली गाइड
YaRN और संदर्भ लंबाई विस्तार
अक्सर पूछे जाने वाले प्रश्नों
What is Position Interpolation for Context Extension?
पोजीशन इंटरपोलेशन (पीआई) एक ऐसी तकनीक है जो किसी भाषा मॉडल की प्रयोग करने योग्य संदर्भ विंडो को उसके प्रशिक्षण की लंबाई से कहीं अधिक फैलाती है, इसके लिए स्थितिगत सूचकांकों को एक्सट्रपलेशन करने के बजाय उन्हें पुन: स्केल किया जाता है। यह 2K या 4K टोकन पर प्रशिक्षित मॉडल को केवल हल्की फाइन-ट्यूनिंग के साथ 32K या उससे अधिक को संभालने देता है।
स्थिति अंतर्वेशन का मूल विचार क्या है?
पीआई विस्तार कारक द्वारा स्थिति सूचकांकों को विभाजित करता है, पहले से सीखे गए मॉडल के इन-डिस्ट्रीब्यूशन रेंज में लंबे अनुक्रम को मैप करता है।
पोजिशन इंटरपोलेशन किस पोजिशनल एन्कोडिंग योजना से सर्वाधिक संबद्ध है?
पीआई को RoPE-आधारित मॉडलों के लिए लोकप्रिय बनाया गया था, जिसमें रोटेशन कोणों को फिर से स्केल किया गया ताकि वे प्रशिक्षित आवृत्तियों के भीतर बने रहें।
लंबे संदर्भों के लिए अनुभवहीन एक्सट्रपलेशन विफल क्यों हो जाता है?
लंबे अनुक्रमों को फीड करने से मॉडल उस सीमा से बाहर के कोणों में उजागर हो जाता है जिस पर उसने कभी प्रशिक्षण नहीं लिया है, जिससे ध्यान और प्रदर्शन में तेजी से गिरावट आती है।
यदि संदर्भ लंबाई को एल से एल' तक बढ़ाया जाता है, तो मूल पीआई स्थिति एम पर कौन सा रीस्केलिंग कारक लागू होता है?
पीआई मानचित्र एम से एम को कारक एस = एल'/एल द्वारा विभाजित करता है, जो लंबी दूरी को मूल प्रशिक्षित अंतराल में संपीड़ित करता है।
एनटीके-जागरूक स्केलिंग और वाईआरएन सादे स्थिति इंटरपोलेशन पर कैसे सुधार करते हैं?
ये विधियाँ कम और उच्च आवृत्तियों को अलग-अलग तरीके से मापती हैं, लंबे संदर्भों तक पहुँचने के साथ-साथ सूक्ष्म स्थानीय स्थिति विवरण को बनाए रखती हैं।