GUIDA TECNICA

YaRN ed estensione della lunghezza del contesto

YaRN (Yet another RoPE extensioN) è una tecnica efficiente per estendere la finestra di contesto utilizzabile di un modello ben oltre ciò su cui è stato addestrato.

Ascolta questa guidaNarrato dall'IA · ~2 min

In questa pagina2 minuti di lettura
  1. Panoramica
  2. Immersione profonda
  3. Implementazione nel mondo reale
  4. Il futuro di YaRN e l'estensione della lunghezza del contesto
  5. Metterlo in pratica
  6. Continua a esplorare
  7. Domande frequenti

Panoramica

Ridimensiona in modo intelligente gli incorporamenti della posizione rotante in modo che un modello addestrato, ad esempio, su token 4K possa gestire 32K o più con una regolazione minima.

Immersione profonda

La maggior parte dei LLM moderni codificano le posizioni dei token con RoPE (Rotary Position Embeddings), che ruotano le query e i vettori chiave in base agli angoli legati alla posizione. Quando si alimentano sequenze più lunghe della durata di addestramento, queste rotazioni entrano in intervalli invisibili e il modello si interrompe. YaRN, introdotto nel 2023 da Bowen Peng e collaboratori, risolve questo problema con l'interpolazione compatibile con NTK applicata per frequenza: lascia le dimensioni ad alta frequenza (che catturano le relazioni locali a corto raggio) per lo più intatte mentre interpola le dimensioni a bassa frequenza (che tracciano la posizione a lungo raggio). YaRN aggiunge anche un aggiustamento della temperatura dell’attenzione per contrastare i cambiamenti di entropia che provengono da contesti più lunghi. Il risultato sono ottime prestazioni a lungo contesto dopo la messa a punto solo di una piccola parte dei dati e dei passaggi richiesti dagli approcci ingenui.

Implementazione nel mondo reale

Estensione di un modello aperto in contesto 4K a 32K o 128K per la risposta a domande su documenti lunghi con una breve messa a punto

Abilitazione dei sistemi potenziati dal recupero per acquisire molti passaggi concatenati senza troncamento

Potenzia gli assistenti al codice che necessitano di un intero file di repository di grandi dimensioni o di più file in un unico prompt

Adattamento di un modello base per lunghe conversazioni a più turni che accumulano grandi cronologie di chat

Il futuro di YaRN e l'estensione della lunghezza del contesto

L'estensione del contesto è ormai una pratica standard: i modelli aperti distribuiscono regolarmente varianti estese di YaRN che raggiungono 128.000 token o oltre. La ricerca si sta muovendo verso metodi che estendono il contesto con una regolazione fine pari a zero o quasi zero, combinano il riscalamento RoPE con trucchi relativi ai modelli di attenzione e mantengono la qualità su tutta la finestra anziché solo sulle estremità. Aspettatevi una più stretta integrazione di queste tecniche nella pre-formazione in modo che il contesto lungo sia nativo piuttosto che adattato.

Metterlo in pratica

Perché è importante

  • Costo e budget. Le decisioni relative all'architettura determinano prestazioni e costi operativi per anni.
  • Decisioni più chiare. La formazione tecnica aiuta i team a scegliere lo stack giusto, non solo quello più nuovo.
  • Controllo di qualità. Migliori scelte ingegneristiche riducono gli incidenti legati all’affidabilità nella produzione.

Attenzione

  • L'ottimizzazione di un benchmark può nascondere debolezze di sistema più ampie.
  • I costi delle infrastrutture e della manutenzione sono spesso sottostimati.
  • Le lacune in termini di sicurezza e osservabilità possono aumentare man mano che i sistemi diventano più complessi.

Prossimi passi

  1. Definire obiettivi di latenza, qualità e costi prima dell'implementazione.
  2. Benchmark in condizioni di carico e dati realistiche.
  3. Monitoraggio dello strumento per errori, deriva e impatto sull'utente.
  4. Preparare percorsi di rollback e risposta agli incidenti prima della scalabilità.

Continua a esplorare

Newsletter gratuita

Ricevi il briefing quotidiano sull'IA

Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.

Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.

Mettiti alla prova

Take the YaRN and Context Length Extension quiz

Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.

Inizia il quiz

Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione

Domande frequenti

Cos'è YaRN e l'estensione della lunghezza del contesto?

YaRN (Yet another RoPE extensioN) è una tecnica efficiente per estendere la finestra di contesto utilizzabile di un modello ben oltre ciò su cui è stato addestrato. Ridimensiona in modo intelligente gli incorporamenti della posizione rotante in modo che un modello addestrato, ad esempio, su token 4K possa gestire 32K o più con una regolazione minima.

Quale metodo di codifica della posizione modifica YaRN per estendere il contesto?

YaRN, il cui nome significa Ancora un'altra estensione RoPE, ridimensiona gli incorporamenti di posizione rotante utilizzati nella maggior parte dei moderni LLM.

Cosa va storto quando un modello RoPE vede sequenze più lunghe della sua durata di addestramento?

Le posizioni oltre l'addestramento producono angoli di rotazione che il modello non ha mai visto, quindi il comportamento di attenzione si degrada drasticamente.

In che modo YaRN tratta le diverse dimensioni di frequenza del RoPE?

YaRN utilizza una rampa NTK per parti che interpola le attenuazioni a bassa frequenza a lunghezza d'onda lunga e lascia per lo più intatte le attenuazioni ad alta frequenza a corto raggio.

Oltre alle frequenze di riscalamento, quale aggiustamento aggiuntivo applica YaRN?

YaRN aggiunge un ridimensionamento della temperatura ai log di attenzione per contrastare gli spostamenti di entropia che si verificano con la crescita del contesto.

Qual è un vantaggio pratico chiave di YaRN rispetto all'interpolazione ingenua?

YaRN raggiunge un'elevata qualità del contesto lungo dopo aver perfezionato una piccola parte dei metodi ingenui sui dati richiesti.