概要
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 Context Window Scaling は、テキストと音声を大規模に読み取り、生成、分類、変換するために使用される言語 AI スタックの一部です。
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。
YaRN コンテキスト ウィンドウのスケーリングをマスターする
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 Context Window Scaling は、テキストと音声を大規模に読み取り、生成、分類、変換するために使用される言語 AI スタックの一部です。深い理解を得るには、YaRN コンテキスト ウィンドウ スケーリングを単一の機能ではなくオペレーティング モデルとして扱います。望ましい結果を定義し、前提条件を明確にし、システムが確実に実行できることと、専門家の判断が必要なことを区別します。
実際には、YaRN Context Window Scaling を使用する強力なチームは、プロンプト、取得、レビューのループを 1 つの統合された通信システムとして設計します。明示的な成功基準を文書化し、現実的なデータとワークフローに対してテストし、一度限りのベンチマークの成功ではなく、観察された失敗パターンに基づいて反復します。ここで、理論的な理解が、製品、ポリシー、運用全体にわたる永続的な機能に変わります。
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。同時に、幻覚の事実がレポート、サポート フロー、または研究成果に静かに入力される可能性があります。最も回復力のあるアプローチは、実験のスピードとガバナンスの規律を組み合わせることであり、パイロットを実行し、証拠を取得し、意思決定ログを公開し、モデルの動作、ユーザーの期待、規制要件の進化に応じて安全対策を継続的に更新します。
戦略的影響
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。
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。高品質の導入では、これが測定可能な運用ルール、所有権の境界、定期的なレビューの儀式に変換されるため、チームは曖昧さを拡大するのではなく、自信を拡大することができます。
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。
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。高品質の導入では、これが測定可能な運用ルール、所有権の境界、定期的なレビューの儀式に変換されるため、チームは曖昧さを拡大するのではなく、自信を拡大することができます。
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。
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。高品質の導入では、これが測定可能な運用ルール、所有権の境界、定期的なレビューの儀式に変換されるため、チームは曖昧さを拡大するのではなく、自信を拡大することができます。
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
実装パターン
YaRN コンテキスト ウィンドウのスケーリングの実際
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します。
オープン LLaMA モデルを 4K 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 チームは通常、品質のしきい値を事前に定義し、エッジ ケースに対する人的エスカレーション パスを確保し、生産性の向上とエラー コストの両方を長期的に追跡すると、より良い結果が得られます。
YaRN コンテキスト ウィンドウのスケーリングの実際
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します。
チャットボットが初期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 チームは通常、品質のしきい値を事前に定義し、エッジ ケースに対する人間によるエスカレーション パスを確保し、生産性の向上とエラー コストの両方を長期にわたって追跡すると、より良い結果が得られます。
YaRN コンテキスト ウィンドウのスケーリングの実際
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のトランスクリプトを要約します。
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や数時間のトランスクリプトを要約する チームは通常、品質のしきい値を事前に定義し、エッジ ケースに対する人的エスカレーション パスを確保し、生産性の向上とエラー コストの両方を長期にわたって追跡すると、より良い結果が得られます。
YaRN コンテキスト ウィンドウのスケーリングの実際
わずかな微調整の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ます。
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 チームは通常、品質のしきい値を事前に定義し、エッジ ケースに対する人的エスカレーション パスを維持し、生産性の向上とエラー コストの両方を長期にわたって追跡すると、より良い結果が得られます。
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。
展開する前に、出力形式、トーン、品質基準を定義します。各ステップを証拠ゲートとして扱います。基準が満たされない場合は、ロールアウトを一時停止し、ギャップを埋めてから、使用を拡大します。
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。
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。各ステップを証拠ゲートとして扱います。基準が満たされない場合は、ロールアウトを一時停止し、ギャップを埋めてから、使用を拡大します。
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。
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。各ステップを証拠ゲートとして扱います。基準が満たされない場合は、ロールアウトを一時停止し、ギャップを埋めてから、使用を拡大します。
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。
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。各ステップを証拠ゲートとして扱います。基準が満たされない場合は、ロールアウトを一時停止し、ギャップを埋めてから、使用を拡大します。