Áttekintés
A DeepMind 2022-es Chinchilla skálázási törvényei kimutatták, hogy a legtöbb nagy nyelvi modell erősen alulképzett volt: fix számítási költségkerethez a modell méretét és a betanítási adatokat nagyjából egyenlő arányban kell méretezni. Ez azért fontos, mert újradefiniálta, hogy mit jelent az „optimális” modellméret, és átformálta a laborok költésének számítását.
A Chinchilla Scaling Laws része a szöveg és a beszéd olvasására, generálására, osztályozására és átalakítására használt nyelvi AI-veremnek.
Mély merülés
A Chinchilla előtt a tendencia az volt, hogy egyre nagyobb modelleket (például a 175B-s paraméterű GPT-3-at) építsenek, miközben viszonylag szerény adatmennyiségre oktattak. A DeepMind több mint 400 modellt tanított ki számos méretben és adatköltségvetésben, majd fix számítási (FLOP) költségvetés mellett a paraméterek és a tokenek függvényében a veszteséget előrejelző görbéket illesztette. Megállapításuk: a paramétereknek és a betanítási jelzőknek együtt kell skálázniuk, nagyjából 1:1 arányban, ami körülbelül 20 token betanítási adatot jelent paraméterenként. Ennek bizonyítására 1,4 billió tokenre oktatták a Chinchillát, egy 70B-s paraméterű modellt, amely felülmúlta a sokkal nagyobb, 280B-s paraméterű Gopher-t annak ellenére, hogy ugyanazt a számítást használta, mert sokkal több adatra tanították.
Technikai betekintés
A törvények egy L(N, D) paraméteres veszteségfüggvény illesztéséből származnak, ahol N a paraméterek és D a tokenek, beleértve az irreducibilis veszteséget, a modellméretet és az adatméretet. A számítási kényszerhez kötött veszteség minimalizálása (a számítás nagyjából N-szeres D-vel arányos) azt az eredményt adja, hogy az optimális N és D egyaránt növekszik a számítási hatványként hasonló kitevőkkel, így a számítási optimális arány paraméterenként 20 token közelében marad.
A csincsilla méretezési törvényeinek elsajátítása
A DeepMind 2022-es Chinchilla skálázási törvényei kimutatták, hogy a legtöbb nagy nyelvi modell erősen alulképzett volt: fix számítási költségkerethez a modell méretét és a betanítási adatokat nagyjából egyenlő arányban kell méretezni. Ez azért fontos, mert újradefiniálta, hogy mit jelent az „optimális” modellméret, és átformálta a laborok költésének számítását. A Chinchilla Scaling Laws része a szöveg és a beszéd olvasására, generálására, osztályozására és átalakítására használt nyelvi AI-veremnek. A mélyebb megértés érdekében a csincsilla-skálázási törvényeket működési modellként kell kezelni, nem egyetlen jellemzőként: határozza meg a kívánt eredményeket, tisztázza a feltételezéseket, és válassza el, hogy a rendszer mit tud megbízhatóan elvégezni, attól, ami még szakértői megítélést igényel.
A gyakorlatban a Chinchilla Scaling Laws-t használó erős csapatok egyetlen integrált kommunikációs rendszerként tervezik meg a felszólításokat, a visszakeresést és a felülvizsgálati hurkokat. Dokumentálják az explicit sikerkritériumokat, tesztelik a valósághű adatokat és munkafolyamatokat, és a megfigyelt hibaminták alapján iterálnak, nem pedig egyszeri benchmark győzelmek alapján. Ez az a hely, ahol az elméleti megértés tartós képességgé válik a termék, a politika és a műveletek között.
A nyelvi munkafolyamatok gyorsabban haladhatnak a következetesség feláldozása nélkül. Ugyanakkor a hallucinált tények csendben bekerülhetnek a jelentésekbe, a támogatási folyamatokba vagy a kutatási eredményekbe. A legrugalmasabb megközelítés a kísérleti sebesség és az irányítási fegyelem kombinálása: kísérleti kísérletek futtatása, bizonyítékok rögzítése, döntési naplók közzététele és a biztosítékok folyamatos frissítése a modell viselkedésének, a felhasználói elvárásoknak és a szabályozási követelményeknek megfelelően.
Stratégiai hatás
A nyelvi munkafolyamatok gyorsabban haladhatnak a következetesség feláldozása nélkül.
A nyelvi munkafolyamatok gyorsabban haladhatnak a következetesség feláldozása nélkül. A kiváló minőségű telepítéseknél ez mérhető működési szabályokká, tulajdonosi határokká és ismétlődő felülvizsgálati rituálékká alakul át, így a csapatok növelhetik a bizalmat a kétértelműség skálázása helyett.
Kibővíti a hozzáférést a nyelvek és a kommunikációs stílusok között.
Kibővíti a hozzáférést a nyelvek és a kommunikációs stílusok között. A kiváló minőségű telepítéseknél ez mérhető működési szabályokká, tulajdonosi határokká és ismétlődő felülvizsgálati rituálékká alakul át, így a csapatok növelhetik a bizalmat a kétértelműség skálázása helyett.
A csapatok több időt tölthetnek az ítélkezéssel, míg az automatizálás kezeli az ismétlést.
A csapatok több időt tölthetnek az ítélkezéssel, míg az automatizálás kezeli az ismétlést. A kiváló minőségű telepítéseknél ez mérhető működési szabályokká, tulajdonosi határokká és ismétlődő felülvizsgálati rituálékká alakul át, így a csapatok növelhetik a bizalmat a kétértelműség skálázása helyett.
Valós megvalósítás
A DeepMind 70B-s paraméterű Chinchilla a benchmarkokon verte meg a 280B-s Gophert, egyenlő számítással, sokkal több adatra oktatva
Útmutató a csapatoknak, hogy paraméterenként nagyjából 20 képzési token költségvetését tervezzék meg a semmiből
A kisebb, adatban gazdag modellek igazolása, mint például a LLaMA, amelyek futtatása olcsóbb a következtetési időben
Annak becslése, hogy egy tervezett modell „alulképzett”-e, és többet profitálna-e a többletadatokból, mint a plusz paraméterekből
Megvalósítási minták
A csincsilla méretezési törvényei a gyakorlatban
A DeepMind 70B-s paraméterű Chinchilla benchmarkokon verte le a 280B-s Gophert, egyenlő számítással, sokkal több adatra oktatva.
A DeepMind 70B-s paraméterű Chinchilla a benchmarkokon legyőzi a 280B-s Gophert egyenlő számítási módszerrel, sokkal több adatra oktatva A csapatok általában jobb eredményeket érnek el, ha előre meghatározzák a minőségi küszöbértékeket, megtartják az emberi eszkalációs utat a szélsőséges eseteknél, és nyomon követik a termelékenység növekedését és a hibaköltségeket az idő múlásával.
A csincsilla méretezési törvényei a gyakorlatban
Útmutatást ad a csapatoknak, hogy paraméterenként nagyjából 20 képzési token költségvetését határozzák meg a nulláról induló modell tervezése során.
Útmutató a csapatoknak, hogy paraméterenként nagyjából 20 képzési token költségvetését határozzák meg a nulláról induló modell megtervezésekor A csapatok általában jobb eredményeket érnek el, ha előre meghatározzák a minőségi küszöböket, emberi eszkalációs utat tartanak a szélsőséges eseteknél, és nyomon követik mind a termelékenységnövekedést, mind a hibaköltségeket az idő múlásával.
A csincsilla méretezési törvényei a gyakorlatban
A kisebb, adatban gazdag modellek igazolása, mint például a LLaMA, amelyek futtatása olcsóbb a következtetési időben.
A kisebb, adatban gazdag modellek, például a LLaMA indoklása, amelyek futtatása olcsóbb a következtetési időben A csapatok általában jobb eredményeket érnek el, ha előre meghatározzák a minőségi küszöböket, megtartják az emberi eszkalációs útvonalat az éles esetekben, és nyomon követik mind a termelékenységnövekedést, mind a hibaköltségeket az idő múlásával.
A csincsilla méretezési törvényei a gyakorlatban
Annak becslése, hogy egy tervezett modell „alulképzett”-e, és többet profitálna-e a többletadatokból, mint a plusz paraméterekből.
Annak becslése, hogy egy tervezett modell „alulképzett”, és többet profitálna-e a többletadatokból, mint az extra paraméterekből A csapatok általában jobb eredményeket érnek el, ha előre meghatározzák a minőségi küszöbértékeket, emberi eszkalációs útvonalat tartanak a szélsőséges eseteknél, és nyomon követik mind a termelékenységnövekedést, mind a hibaköltségeket az idő múlásával.
Kockázatok és védőkorlátok
A hallucinált tények csendben bekerülhetnek a jelentésekbe, a támogatási folyamatokba vagy a kutatási eredményekbe.
Az azonnali érzékenység inkonzisztens eredményeket eredményezhet a hasonló kérések között.
Ha a hozzáférés-szabályozás gyenge, az érzékeny szöveges adatok megjelenhetnek.
Végrehajtási ütemterv
A kiadás előtt határozza meg a kimeneti formátumot, hangszínt és minőségi szabványokat.
A kiadás előtt határozza meg a kimeneti formátumot, hangszínt és minőségi szabványokat. Minden lépést bizonyítékkapuként kell kezelni: ha a feltételek nem teljesülnek, szüneteltesse a közzétételt, zárja be a rést, és csak ezután bővítse a felhasználást.
Földelje a válaszokat megbízható forrásokból, amikor a pontosság számít.
Földelje a válaszokat megbízható forrásokból, amikor a pontosság számít. Minden lépést bizonyítékkapuként kell kezelni: ha a feltételek nem teljesülnek, szüneteltesse a közzétételt, zárja be a rést, és csak ezután bővítse a felhasználást.
Tartson emberi ellenőrzési pontot a nagy tétű kimenetekhez.
Tartson emberi ellenőrzési pontot a nagy tétű kimenetekhez. Minden lépést bizonyítékkapuként kell kezelni: ha a feltételek nem teljesülnek, szüneteltesse a közzétételt, zárja be a rést, és csak ezután bővítse a felhasználást.
Kövesse nyomon a meghibásodási mintákat, és rendszeresen tanítsa át az utasításokat vagy a munkafolyamatokat.
Kövesse nyomon a meghibásodási mintákat, és rendszeresen tanítsa át az utasításokat vagy a munkafolyamatokat. Minden lépést bizonyítékkapuként kell kezelni: ha a feltételek nem teljesülnek, szüneteltesse a közzétételt, zárja be a rést, és csak ezután bővítse a felhasználást.