Il prossimoProssima guida
Finestre di contesto
Intelligenza artificiale linguistica
GUIDA ALL'AI linguistica
YaRN extends RoPE-based context through frequency-aware scaling and an attention-temperature adjustment.
Ascolta questa guidaNarrato dall'IA · ~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.
Estensione di un modello LLaMA aperto da 4K a 128.000 token in modo che possa acquisire un'intera base di codice o un contratto lungo in un unico passaggio
Consentire a un chatbot di conservare cronologie di conversazioni molto lunghe senza troncare i turni precedenti
Riepilogo di documenti lunghi quanto un libro o di trascrizioni di più ore che superano la finestra nativa del modello base
Adattamento economico di un modello pre-addestrato per attività di recupero in contesti lunghi utilizzando solo una piccola sessione di perfezionamento
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.
Newsletter gratuita
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
Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.
Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione
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.
YaRN sta per "Yet another RoPE extensioN" e funziona ridimensionando le frequenze di rotazione utilizzate negli incorporamenti di posizione rotante.
L'approccio "NTK-by-parts" di YaRN preserva le dimensioni ad alta frequenza (locali) interpolando quelle a bassa frequenza (a lungo raggio) per evitare di danneggiare i dettagli locali.
The method's efficiency claims have an experimental scope and depend on model and adaptation choices.
YaRN modifica la temperatura dell'attenzione per compensare lo spostamento entropia/logit che si verifica quando le sequenze diventano molto più lunghe.
Extension quality is a model- and task-dependent question rather than an automatic consequence of accepting more tokens.
Continua a imparare
Altre guide selezionate per questo argomento
Il prossimoProssima guida
Finestre di contesto
Intelligenza artificiale linguistica