SelanjutnyaPanduan berikutnya
Interpolasi Posisi untuk Perluasan Konteks
Bahasa AI
PANDUAN Teknis
YaRN dan Ekstensi Panjang Konteks
YaRN (Yet another RoPE extension) adalah teknik yang efisien untuk memperluas jendela konteks model yang dapat digunakan jauh melampaui apa yang dilatihnya.
Dengarkan panduan iniDiceritakan oleh AI · ~2 min
Di halaman ini2 menit membaca
Ikhtisar
It cleverly rescales rotary position embeddings so a model trained on, say, 4K tokens can handle 32K or more with minimal fine-tuning.
Menyelam Lebih Dalam
Kebanyakan LLM modern mengkodekan posisi token dengan RoPE (Rotary Position Embeddings), yang memutar kueri dan vektor kunci berdasarkan sudut yang terikat pada posisi. Saat Anda memasukkan urutan yang lebih panjang dari panjang pelatihan, rotasi ini memasuki rentang yang tidak terlihat dan model akan rusak. YaRN, yang diperkenalkan pada tahun 2023 oleh Bowen Peng dan kolaboratornya, memperbaikinya dengan interpolasi berbasis NTK yang diterapkan per frekuensi: hal ini membuat sebagian besar dimensi frekuensi tinggi (yang menangkap hubungan lokal dan jarak pendek) tidak tersentuh saat menginterpolasi dimensi frekuensi rendah (yang melacak posisi jarak jauh). YaRN juga menambahkan penyesuaian suhu untuk mengatasi perubahan entropi yang datang dari konteks yang lebih panjang. Hasilnya adalah kinerja konteks panjang yang kuat setelah hanya melakukan penyesuaian pada sebagian kecil data dan langkah-langkah yang diperlukan oleh pendekatan naif.
Implementasi Dunia Nyata
Memperluas model konteks 4K terbuka ke 32K atau 128K untuk menjawab pertanyaan dokumen panjang dengan penyesuaian singkat
Mengaktifkan sistem yang ditambah pengambilan untuk menyerap banyak bagian yang digabungkan tanpa pemotongan
Mendukung asisten kode yang memerlukan seluruh file repositori besar atau beberapa file dalam satu prompt
Mengadaptasi model dasar untuk percakapan multi-putaran panjang yang mengumpulkan riwayat obrolan besar
Masa Depan YaRN dan Perluasan Panjang Konteks
Perluasan konteks kini menjadi praktik standar: model terbuka secara rutin mengirimkan varian yang diperluas YaRN hingga mencapai 128 ribu token atau lebih. Penelitian bergerak menuju metode yang memperluas konteks dengan penyesuaian nol atau mendekati nol, menggabungkan penskalaan ulang RoPE dengan trik pola perhatian, dan menjaga kualitas di seluruh jendela, bukan hanya di bagian akhir. Harapkan integrasi yang lebih erat dari teknik-teknik ini ke dalam pra-pelatihan sehingga konteksnya bersifat asli dan bukan disesuaikan.
Mempraktikkannya
Mengapa itu penting
- Biaya dan anggaran. Keputusan arsitektur mendorong kinerja dan biaya pengoperasian selama bertahun-tahun.
- Keputusan yang lebih jelas. Pendidikan teknis membantu tim memilih tumpukan yang tepat, bukan hanya yang terbaru.
- Kontrol kualitas. Pilihan teknik yang lebih baik mengurangi insiden keandalan dalam produksi.
Hati-hati
- Mengoptimalkan satu tolok ukur dapat menyembunyikan kelemahan sistem yang lebih luas.
- Biaya infrastruktur dan pemeliharaan sering kali diremehkan.
- Kesenjangan keamanan dan kemampuan observasi dapat tumbuh seiring dengan semakin kompleksnya sistem.
Langkah selanjutnya
- Tentukan target latensi, kualitas, dan biaya sebelum penerapan.
- Tolok ukur dalam kondisi beban dan data yang realistis.
- Pemantauan instrumen untuk kesalahan, penyimpangan, dan dampak pengguna.
- Siapkan jalur rollback dan respons insiden sebelum melakukan penskalaan.
Terus Menjelajah
Buletin gratis
Dapatkan pengarahan AI harian
Tiga cerita AI terverifikasi setiap pagi hari kerja, ditulis dalam bahasa Inggris sederhana. Gratis selamanya, tanpa iklan.
Satu email setiap hari kerja. Berhenti berlangganan dalam satu klik. Kami tidak pernah menjual atau membagikan alamat Anda.
Uji diri Anda sendiri
Take the YaRN and Context Length Extension quiz
Umpan balik instan untuk setiap jawaban, dan sertifikat yang dapat dibagikan dengan ID yang dapat diverifikasi setelah Anda lulus kursus.
Mendukung pendidikan AI gratis. AI Understanding adalah organisasi nirlaba 501(c)(3) — tanpa iklan, tanpa paywall, selamanya. Berikan sumbangan
Pertanyaan yang sering diajukan
What is YaRN and Context Length Extension?
YaRN (Yet another RoPE extension) adalah teknik yang efisien untuk memperluas jendela konteks model yang dapat digunakan jauh melampaui apa yang dilatihnya. Ini secara cerdik mengubah skala penyematan posisi putar sehingga model yang dilatih, katakanlah, token 4K dapat menangani 32K atau lebih dengan penyesuaian minimal.
Metode pengkodean posisi apa yang dimodifikasi YaRN untuk memperluas konteks?
YaRN, yang namanya berarti ekstensi RoPE lainnya, mengubah skala penyematan posisi putar yang digunakan di sebagian besar LLM modern.
Apa yang salah jika model RoPE melihat urutan lebih panjang dari panjang pelatihannya?
Posisi di luar pelatihan menghasilkan sudut rotasi yang belum pernah dilihat model, sehingga perilaku perhatian menurun tajam.
Bagaimana YaRN menangani dimensi frekuensi RoPE yang berbeda?
YaRN menggunakan jalur NTK per bagian yang menginterpolasi peredupan frekuensi rendah dengan panjang gelombang panjang dan membiarkan sebagian besar peredupan frekuensi tinggi jarak pendek tetap utuh.
Selain mengubah skala frekuensi, penyesuaian tambahan apa yang diterapkan YaRN?
YaRN menambahkan penskalaan suhu ke log perhatian untuk mengatasi pergeseran entropi yang terjadi seiring berkembangnya konteks.
Apa keuntungan praktis utama YaRN dibandingkan interpolasi naif?
YaRN mencapai kualitas konteks panjang yang kuat setelah menyempurnakan sebagian kecil data yang diperlukan oleh metode naif.
Teruslah belajar
Panduan terkait
Panduan lainnya dipilih untuk topik ini