Ikhtisar
Undang-undang penskalaan Chinchilla, dari DeepMind pada tahun 2022, menunjukkan bahwa sebagian besar model bahasa besar kurang terlatih: untuk anggaran komputasi tetap, Anda harus menskalakan ukuran model dan data pelatihan dalam proporsi yang kira-kira sama. Hal ini penting karena hal ini mendefinisikan ulang arti ukuran model yang 'optimal' dan mengubah cara laboratorium menggunakan komputasi.
Hukum Penskalaan Chinchilla adalah bagian dari tumpukan AI bahasa yang digunakan untuk membaca, menghasilkan, mengklasifikasikan, dan mengubah teks dan ucapan dalam skala besar.
Menyelam Lebih Dalam
Sebelum Chinchilla, trennya adalah membuat model yang lebih besar (seperti GPT-3 dengan parameter 175B) sambil melatih jumlah data yang relatif sedikit. DeepMind melatih lebih dari 400 model dalam berbagai ukuran dan anggaran data, lalu menyesuaikan kurva yang memprediksi kerugian sebagai fungsi parameter dan token berdasarkan anggaran komputasi tetap (FLOP). Temuan mereka: parameter dan token pelatihan harus berskala bersama, kira-kira dengan rasio 1 banding 1, yang berarti sekitar 20 token data pelatihan per parameter. Untuk membuktikannya, mereka melatih Chinchilla, model dengan parameter 70B pada 1,4 triliun token, yang mengungguli Gopher dengan parameter 280B yang jauh lebih besar meskipun menggunakan komputasi yang sama, karena model tersebut dilatih pada data yang jauh lebih banyak.
Wawasan Teknis
Hukum tersebut berasal dari penyesuaian fungsi kerugian parametrik L(N, D) dengan N adalah parameter dan D adalah token, termasuk istilah kerugian yang tidak dapat direduksi, ukuran model, dan ukuran data. Meminimalkan kerugian yang tunduk pada batasan komputasi (komputasi kira-kira sebanding dengan N kali D) menghasilkan hasil bahwa N dan D optimal tumbuh sebagai pangkat komputasi dengan eksponen serupa, sehingga rasio optimal komputasi tetap mendekati 20 token per parameter.
Menguasai Hukum Skala Chinchilla
Undang-undang penskalaan Chinchilla, dari DeepMind pada tahun 2022, menunjukkan bahwa sebagian besar model bahasa besar kurang terlatih: untuk anggaran komputasi tetap, Anda harus menskalakan ukuran model dan data pelatihan dalam proporsi yang kira-kira sama. Hal ini penting karena hal ini mendefinisikan ulang arti ukuran model yang 'optimal' dan mengubah cara laboratorium menggunakan komputasi. Hukum Penskalaan Chinchilla adalah bagian dari tumpukan AI bahasa yang digunakan untuk membaca, menghasilkan, mengklasifikasikan, dan mengubah teks dan ucapan dalam skala besar. Untuk membangun pemahaman yang mendalam, perlakukan Hukum Penskalaan Chinchilla sebagai model operasi, bukan sebagai fitur tunggal: tentukan hasil yang diinginkan, klarifikasi asumsi, dan pisahkan apa yang dapat dilakukan sistem dengan andal dari apa yang masih memerlukan pertimbangan ahli.
Dalam praktiknya, tim yang kuat menggunakan Chinchilla Scaling Laws merancang petunjuk, pengambilan, dan peninjauan loop sebagai satu sistem komunikasi terintegrasi. Mereka mendokumentasikan kriteria keberhasilan yang eksplisit, menguji berdasarkan data dan alur kerja yang realistis, dan melakukan iterasi berdasarkan pola kegagalan yang diamati, bukan berdasarkan kemenangan tolok ukur yang hanya terjadi satu kali. Di sinilah pemahaman teoritis berubah menjadi kemampuan yang tahan lama di seluruh produk, kebijakan, dan operasi.
Alur kerja bahasa dapat berjalan lebih cepat tanpa mengorbankan konsistensi. Pada saat yang sama, fakta-fakta halusinasi dapat secara diam-diam masuk ke dalam laporan, aliran dukungan, atau keluaran penelitian. Pendekatan yang paling tangguh adalah menggabungkan kecepatan eksperimen dengan disiplin tata kelola: menjalankan uji coba, menangkap bukti, menerbitkan catatan keputusan, dan terus memperbarui upaya perlindungan seiring dengan berkembangnya perilaku model, harapan pengguna, dan persyaratan peraturan.
Dampak Strategis
Alur kerja bahasa dapat berjalan lebih cepat tanpa mengorbankan konsistensi.
Alur kerja bahasa dapat berjalan lebih cepat tanpa mengorbankan konsistensi. Dalam penerapan berkualitas tinggi, hal ini diterjemahkan ke dalam aturan operasi yang terukur, batasan kepemilikan, dan ritual peninjauan berulang sehingga tim dapat meningkatkan kepercayaan diri alih-alih menskalakan ambiguitas.
Ini memperluas akses lintas bahasa dan gaya komunikasi.
Ini memperluas akses lintas bahasa dan gaya komunikasi. Dalam penerapan berkualitas tinggi, hal ini diterjemahkan ke dalam aturan operasi yang terukur, batasan kepemilikan, dan ritual peninjauan berulang sehingga tim dapat meningkatkan kepercayaan diri alih-alih menskalakan ambiguitas.
Tim dapat menghabiskan lebih banyak waktu untuk melakukan penilaian sementara otomatisasi menangani pengulangan.
Tim dapat menghabiskan lebih banyak waktu untuk melakukan penilaian sementara otomatisasi menangani pengulangan. Dalam penerapan berkualitas tinggi, hal ini diterjemahkan ke dalam aturan operasi yang terukur, batasan kepemilikan, dan ritual peninjauan berulang sehingga tim dapat meningkatkan kepercayaan diri alih-alih menskalakan ambiguitas.
Implementasi Dunia Nyata
Chinchilla parameter 70B DeepMind mengalahkan Gopher 280B pada benchmark menggunakan komputasi yang setara, dengan melatih lebih banyak data
Memandu tim untuk menganggarkan sekitar 20 token pelatihan per parameter saat merencanakan model dari awal
Membenarkan model yang lebih kecil dan kaya data seperti LLaMA yang lebih murah untuk dijalankan pada waktu inferensi
Memperkirakan apakah model yang direncanakan 'kurang terlatih' dan akan mendapatkan lebih banyak manfaat dari data tambahan dibandingkan parameter tambahan
Pola Implementasi
Hukum Penskalaan Chinchilla dalam praktiknya
Chinchilla parameter 70B DeepMind mengalahkan Gopher 280B pada benchmark menggunakan komputasi yang setara, dengan melatih lebih banyak data.
Chinchilla berparameter 70B dari DeepMind mengalahkan Gopher 280B pada benchmark menggunakan komputasi yang setara, dengan melatih lebih banyak data. Tim biasanya mendapatkan hasil yang lebih baik ketika mereka menentukan ambang batas kualitas di awal, menjaga jalur eskalasi manusia untuk kasus-kasus edge, dan melacak peningkatan produktivitas dan biaya kesalahan dari waktu ke waktu.
Hukum Penskalaan Chinchilla dalam praktiknya
Memandu tim untuk menganggarkan sekitar 20 token pelatihan per parameter saat merencanakan model dari awal.
Memandu tim untuk menganggarkan sekitar 20 token pelatihan per parameter ketika merencanakan model dari awal. Tim biasanya mendapatkan hasil yang lebih baik ketika mereka menentukan ambang batas kualitas di awal, menjaga jalur eskalasi manusia untuk kasus-kasus ekstrem, dan melacak peningkatan produktivitas dan biaya kesalahan dari waktu ke waktu.
Hukum Penskalaan Chinchilla dalam praktiknya
Membenarkan model yang lebih kecil dan kaya data seperti LLaMA yang lebih murah untuk dijalankan pada waktu inferensi.
Membenarkan model yang lebih kecil dan kaya data seperti LLaMA yang lebih murah untuk dijalankan pada waktu inferensi Tim biasanya mendapatkan hasil yang lebih baik ketika mereka menentukan ambang batas kualitas di awal, menjaga jalur eskalasi manusia untuk kasus-kasus edge, dan melacak peningkatan produktivitas dan biaya kesalahan dari waktu ke waktu.
Hukum Penskalaan Chinchilla dalam praktiknya
Memperkirakan apakah model yang direncanakan 'kurang terlatih' dan akan mendapatkan lebih banyak manfaat dari data tambahan dibandingkan parameter tambahan.
Memperkirakan apakah model yang direncanakan 'kurang terlatih' dan akan mendapatkan manfaat lebih dari data tambahan daripada parameter tambahan Tim biasanya mendapatkan hasil yang lebih baik ketika mereka menentukan ambang batas kualitas di awal, menjaga jalur eskalasi manusia untuk kasus-kasus ekstrem, dan melacak peningkatan produktivitas dan biaya kesalahan dari waktu ke waktu.
Risiko & Pagar Pembatas
Fakta-fakta yang dihalusinasi dapat secara diam-diam masuk ke dalam laporan, aliran dukungan, atau keluaran penelitian.
Sensitivitas yang cepat dapat menimbulkan hasil yang tidak konsisten pada permintaan serupa.
Data teks sensitif mungkin terekspos jika kontrol akses lemah.
Peta Jalan Implementasi
Tentukan format output, nada, dan standar kualitas sebelum peluncuran.
Tentukan format output, nada, dan standar kualitas sebelum peluncuran. Perlakukan setiap langkah sebagai gerbang bukti: jika kriteria tidak terpenuhi, jeda peluncuran, tutup kesenjangan, dan baru kemudian perluas penggunaan.
Dasarkan respons dengan sumber tepercaya kapan pun akurasi penting.
Dasarkan respons dengan sumber tepercaya kapan pun akurasi penting. Perlakukan setiap langkah sebagai gerbang bukti: jika kriteria tidak terpenuhi, jeda peluncuran, tutup kesenjangan, dan baru kemudian perluas penggunaan.
Pertahankan pos pemeriksaan tinjauan manusia untuk keluaran berisiko tinggi.
Pertahankan pos pemeriksaan tinjauan manusia untuk keluaran berisiko tinggi. Perlakukan setiap langkah sebagai gerbang bukti: jika kriteria tidak terpenuhi, jeda peluncuran, tutup kesenjangan, dan baru kemudian perluas penggunaan.
Lacak pola kegagalan dan latih kembali perintah atau alur kerja secara teratur.
Lacak pola kegagalan dan latih kembali perintah atau alur kerja secara teratur. Perlakukan setiap langkah sebagai gerbang bukti: jika kriteria tidak terpenuhi, jeda peluncuran, tutup kesenjangan, dan baru kemudian perluas penggunaan.