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.
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.
Wawasan Teknis
RoPE menetapkan frekuensi rotasi pada setiap dimensi penyematan. Interpolasi linier yang naif memampatkan semua frekuensi secara merata, sehingga merugikan dimensi frekuensi tinggi yang menyandikan detail lokal yang halus. YaRN menggunakan fungsi ramp untuk menginterpolasi hanya dimensi frekuensi rendah (panjang gelombang panjang) sambil mempertahankan dimensi frekuensi tinggi, ditambah skala suhu perhatian 1/sqrt(t) yang menjaga ketajaman softmax tetap stabil seiring bertambahnya panjang urutan. Pendekatan NTK per bagian ini memperluas konteks dengan degradasi yang jauh lebih sedikit.
Dampak Strategis
Cost and budget
Keputusan arsitektur mendorong kinerja dan biaya pengoperasian selama bertahun-tahun.
Clearer decisions
Pendidikan teknis membantu tim memilih tumpukan yang tepat, bukan hanya yang terbaru.
Quality control
Pilihan teknik yang lebih baik mengurangi insiden keandalan dalam produksi.
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.
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
Risiko & Pagar Pembatas
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.
Peta Jalan Implementasi
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
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 YaRN and Context Length 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
Next guide
Interpolasi Posisi untuk Perluasan Konteks
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.