チンチラのスケーリングの法則
2022 年に DeepMind が発表した Chinchilla スケーリングの法則は、大規模な言語モデルのほとんどが著しくトレーニング不足であることを示しました。固定されたコンピューティング予算の場合、モデル サイズとトレーニング データをほぼ同じ割合でスケーリングする必要があります。
概要
It matters because it redefined what 'optimal' model size means and reshaped how labs spend compute.
ディープダイブ
Chinchilla が登場する前は、比較的少量のデータでトレーニングしながら、より大きなモデル (175B パラメーターの GPT-3 など) を構築する傾向がありました。 DeepMind は、さまざまなサイズとデータ バジェットにわたって 400 以上のモデルをトレーニングし、固定コンピューティング (FLOP) バジェットの下でパラメータとトークンの関数として損失を予測する曲線を当てはめました。彼らの発見: パラメーターとトレーニング トークンは、おおよそ 1 対 1 の比率で一緒にスケールされるはずであり、パラメーターごとにトレーニング データのトークンが約 20 であることを意味します。それを証明するために、彼らは 1.4 兆トークンで 70B パラメーターのモデルである Chinchilla をトレーニングしました。これは、はるかに多くのデータでトレーニングされたため、同じコンピューティングを使用しているにもかかわらず、より大きな 280B パラメーターの Gopher よりも優れたパフォーマンスを発揮しました。
技術的な洞察
法則は、パラメトリック損失関数 L(N, D) のフィッティングから得られます。ここで、N はパラメーター、D は既約損失、モデル サイズ、データ サイズの項を含むトークンです。計算制約 (計算は D の N 倍にほぼ比例) に従って損失を最小限に抑えると、最適な N と D の両方が同様の指数で計算のべき乗として増加するという結果が得られ、計算の最適化比率はパラメーターごとに 20 トークン近くに留まります。
戦略的影響
速度とスケール
言語ワークフローは、一貫性を犠牲にすることなく、より高速に移行できます。
アクセスと到達範囲
言語やコミュニケーション スタイルを超えてアクセスが拡張されます。
より明確な判決
自動化が繰り返しを処理する間、チームは判断により多くの時間を費やすことができます。
チンチラのスケーリング法の将来
Chinchilla は、パラメーター数の追跡から、モデルにはるかに高品質のデータを供給することに分野を移行しました。現代のモデルは、推論を安価にするために「計算最適」点をはるかに超えてトレーニングすることがよくあります。高品質の Web テキストが不足するにつれて、スケーリングを続けるためのデータ キュレーション、合成データ、複数のエポック、およびマルチモーダル データに注目が集まっています。データとパラメーターのバランスを取る必要があり、生のサイズだけが目標ではなくなったという核心的な教訓が残ります。
現実世界の実装
DeepMind の 70B パラメータの Chinchilla が、はるかに多くのデータでトレーニングすることで、同等のコンピューティングを使用したベンチマークで 280B Gopher を破りました
モデルを最初から計画する場合、パラメーターごとに約 20 のトレーニング トークンを予算化するようにチームをガイドする
推論時の実行コストが低い、LLaMA のような小規模でデータが豊富なモデルを正当化する
計画されたモデルが「トレーニング不足」であり、追加のパラメーターよりも追加のデータの方がメリットがあるかどうかを推定する
リスクとガードレール
幻覚のような事実が、レポート、サポート フロー、または研究結果に静かに組み込まれる可能性があります。
迅速な対応により、同様のリクエスト間で一貫性のない結果が生じる可能性があります。
アクセス制御が弱いと、機密テキスト データが漏洩する可能性があります。
実装ロードマップ
展開する前に、出力形式、トーン、品質基準を定義します。
正確さが重要な場合は常に、信頼できる情報源を使って地上対応を行ってください。
一か八かの成果物については人間によるレビュー チェックポイントを維持します。
失敗パターンを追跡し、プロンプトやワークフローを定期的に再トレーニングします。
探検を続けましょう
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 Chinchilla Scaling Laws 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
次のガイド
ニューラル ネットワークのスケーリング則
よくある質問
What is Chinchilla Scaling Laws?
2022 年に DeepMind が発表した Chinchilla スケーリングの法則は、大規模な言語モデルのほとんどが著しくトレーニング不足であることを示しました。固定されたコンピューティング予算の場合、モデル サイズとトレーニング データをほぼ同じ割合でスケーリングする必要があります。これは、「最適な」モデル サイズの意味を再定義し、ラボがコンピューティングに費やす方法を再構築したため、重要です。
チンチラの鱗の法則の中心的な発見は何でしたか?
Chinchilla は、固定のコンピューティング バジェットの場合、パラメーターとトレーニング トークンがほぼ 1 対 1 で同時に増加する必要があることを示しました。
Chinchilla は、パラメーターごとにおよそいくつのトレーニング トークンがコンピューティングに最適であると示唆しましたか?
計算の最適化比率は、モデル パラメーターごとに約 20 のトレーニング トークンとなります。
はるかに小さいにもかかわらず、チンチラが優れたモデルはどれですか?
70B パラメータの Chinchilla は、はるかに多くのデータでトレーニングしたため、同じ計算を使用して DeepMind 独自の 280B パラメータの Gopher を破りました。
当時、チンチラは GPT-3 のようなモデルについて何を示唆していましたか?
当時の大規模なモデルの多くはトレーニングが不十分でした。つまり、パラメーター数に対してより多くのデータがあればパフォーマンスが向上したはずです。
チンチラ分析では、コンピューティングは大まかにどのように近似されましたか?
トレーニング コンピューティング (FLOP) は、パラメーターの数とトレーニング トークンの数を乗算した値にほぼ比例します。