LegközelebbKövetkező útmutató
Kontextus Windows
Nyelvi AI
Nyelvi AI ÚTMUTATÓ
YaRN extends RoPE-based context through frequency-aware scaling and an attention-temperature adjustment.
Hallgassa meg ezt az útmutatótAI-narrált · ~2 min
Its experiments demonstrate model extensions with limited additional training, with useful performance and resource costs still requiring evaluation.
Uniform Position Interpolation compresses all RoPE frequencies together. YaRN instead preserves high-frequency dimensions used for local positional detail, interpolates low-frequency dimensions for broader range, and blends treatment through a transition region. It also modifies attention temperature as part of the extension method. The paper evaluates long-context adaptations of particular models; its reported data and training-step comparisons should not be converted into a universal tiny-data guarantee. Increasing the supported length does not show that every task is solved reliably at every position. Evaluate the chosen model, adaptation, and intended workload rather than assuming that any rescaled checkpoint has the same capability.
Egy nyitott LLaMA modell kiterjesztése 4K-ról 128K-ra, hogy egy teljes kódbázist vagy hosszú szerződést tudjon befogadni egy menetben
Ha hagyja, hogy egy chatbot megőrizze a nagyon hosszú beszélgetési előzményeket a korábbi fordulatok csonkolása nélkül
Az alapmodell natív ablakát meghaladó könyv terjedelmű dokumentumok vagy többórás átiratok összegzése
Egy előre betanított modell olcsó adaptálása hosszú kontextusú visszakeresési feladatokhoz, csak egy kis finomhangolási futtatással
Research compares positional methods, training schedules, and long-context tasks. Measure retrieval and generation quality across positions and lengths together with latency and memory. Nominal support, a good average score, and dependable use on a particular task are different forms of evidence, so a new maximum window should be evaluated in context.
Ingyenes hírlevél
Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.
Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.
Teszteld magad
Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.
Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt
YaRN extends RoPE-based context through frequency-aware scaling and an attention-temperature adjustment. Its experiments demonstrate model extensions with limited additional training, with useful performance and resource costs still requiring evaluation.
A YaRN a 'Yet another RoPE extensionN' rövidítése, és a forgópozíciós beágyazásoknál használt forgási frekvenciák átskálázásával működik.
A YaRN „NTK-by-parts” megközelítése megőrzi a magas frekvenciájú (helyi) dimenziókat, miközben interpolálja az alacsony frekvenciájú (hosszú hatótávolságú) dimenziókat, hogy elkerülje a helyi részletek károsodását.
The method's efficiency claims have an experimental scope and depend on model and adaptation choices.
A YaRN módosítja a figyelem hőmérsékletét, hogy kompenzálja az entrópia/logit eltolódást, amely akkor következik be, amikor a sorozatok sokkal hosszabbak lesznek.
Extension quality is a model- and task-dependent question rather than an automatic consequence of accepting more tokens.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
Kontextus Windows
Nyelvi AI