YaRN コンテキスト ウィンドウのスケーリング
YaRN (Yet another RoPE extensioN) は、最小限の微調整で、トランスフォーマーの使用可能なコンテキスト ウィンドウをトレーニングされた範囲をはるかに超えて拡張する手法です。
概要
It matters because it lets existing models handle much longer documents without retraining from scratch.
ディープダイブ
最新の LLM は、Rotary Position Embeddings (RoPE) を使用して単語の位置をエンコードしますが、これはモデルがトレーニング中に見た長さまでしかうまく機能しません。より長いシーケンスでフィードすると、モデルの性能が大幅に低下します。 YaRN は、周波数を意識した方法で RoPE の回転周波数を再スケーリングすることでこの問題を解決します。高周波の次元 (ローカルで近くの関係を捕捉する) はほとんどそのまま残されますが、低周波の次元 (長距離の位置を捕捉する) は補間されます。また、長距離でのロジットの行儀の良さを保つための温度調整も追加されています。 LLaMA モデルで実証された結果は、元のトレーニング データのわずか約 0.1% と数百の微調整ステップを使用して、コンテキストを 4K から 64K ～ 128K トークンに拡張します。
技術的な洞察
RoPE は、位置と次元ごとの頻度に比例した角度でクエリ ベクトルとキー ベクトルを回転します。単純な線形補間 (位置補間) は、すべての周波数を均等に押しつぶし、局所的なディテールを損ないます。代わりに、YaRN は「NTK-by-parts」を適用します。つまり、低周波数 (長波長) の次元のみを補間し、高周波数の次元はそのままにして、それらの間でランプします。注意温度のスケーリングによりエントロピーシフトが補償され、延長された長さでも精度が維持されます。
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。
YaRN コンテキスト ウィンドウ スケーリングの将来
YaRN スタイルの周波数認識拡張機能は、ロングコンテキスト モデルを出荷するためのデフォルトの要素となっています。研究室が 100 万トークンの獲得に向けて突き進むにつれて、亜種と後継が出現し続けています。効率的なアテンション、KV キャッシュ圧縮、リクエストごとにオンザフライで調整する動的スケーリングによる、より緊密な統合が期待されます。より広範な傾向としては、「モデルがトレーニングされた時間」と「モデルが有効に読み取れる時間」が切り離され、長いコンテキストが高価なアーキテクチャへのコミットメントではなく、安価なトレーニング後の機能になりつつあります。
現実世界の実装
オープン LLaMA モデルを 4K トークンから 128K トークンに拡張して、コードベース全体または長いコントラクトを 1 回のパスで取り込めるようにする
チャットボットが以前のターンを切り捨てることなく非常に長い会話履歴を保持できるようにする
基本モデルのネイティブ ウィンドウを超える、本の長さのドキュメントまたは数時間にわたるトランスクリプトの要約
わずかな微調整実行のみを使用して、事前トレーニングされたモデルを長いコンテキストの取得タスクに低コストで適応させる
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 YaRN Context Window Scaling 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
コンテキストウィンドウ
よくある質問
What is YaRN Context Window Scaling?
YaRN (Yet another RoPE extensioN) は、最小限の微調整で、トランスフォーマーの使用可能なコンテキスト ウィンドウをトレーニングされた範囲をはるかに超えて拡張する手法です。これは、既存のモデルが最初から再トレーニングすることなく、はるかに長いドキュメントを処理できるようにするため、重要です。
YaRN はコンテキスト長を拡張するためにどのような位置エンコーディング スキームを変更しますか?
YaRN は「Yet another RoPE extensioN」の略で、Rotary Position Embeddings で使用される回転周波数を再スケーリングすることで機能します。
YaRN は、高周波と低周波の RoPE 寸法をどのように処理しますか?
YaRN の「NTK-by-parts」アプローチでは、高周波 (ローカル) の寸法を維持しながら、低周波 (長距離) の寸法を補間して、局所的な詳細を損なうことを回避します。
ロングコンテキスト モデルを最初からトレーニングする場合と比べて、YaRN が効率的に優れている主な点は何ですか?
YaRN は、元のトレーニング データの約 0.1% と少数の微調整ステップを使用してコンテキストを拡張でき、再トレーニングよりもはるかに安価です。
周波数を再スケーリングする以外に、YaRN は長距離の注意力を安定させるためにどのような追加調整を適用しますか?
YaRN は、シーケンスが大幅に長くなったときに発生するエントロピー/ロジット シフトを補償するために、アテンション温度を変更します。
スケーリングを行わずに、トレーニングに使用したものよりもはるかに長いシーケンスを RoPE モデルにフィードすると、どのような問題が発生しますか?
RoPE は目に見えないロングポジションへの一般化が不十分であるため、周波数を再スケーリングしない限り品質が崩壊します。