개요
2022년 DeepMind의 Chinchilla 확장 법칙에 따르면 대부분의 대규모 언어 모델은 심하게 훈련되지 않은 것으로 나타났습니다. 즉, 고정된 컴퓨팅 예산의 경우 모델 크기와 훈련 데이터를 대략 같은 비율로 확장해야 합니다. 이는 '최적' 모델 크기의 의미를 재정의하고 실험실에서 컴퓨팅에 소비하는 방식을 재구성했기 때문에 중요합니다.
Chinchilla Scaling Laws는 대규모로 텍스트와 음성을 읽고, 생성하고, 분류하고, 변환하는 데 사용되는 언어 AI 스택의 일부입니다.
심층 분석
Chinchilla 이전에는 상대적으로 적은 양의 데이터를 학습하면서 점점 더 큰 모델(예: 175B 매개변수 GPT-3)을 구축하는 것이 추세였습니다. DeepMind는 다양한 크기와 데이터 예산에 걸쳐 400개가 넘는 모델을 훈련한 다음 고정 컴퓨팅(FLOP) 예산에 따라 매개변수 및 토큰의 함수로 손실을 예측하는 곡선을 맞췄습니다. 연구 결과: 매개변수와 훈련 토큰은 대략 1:1 비율로 함께 확장되어야 하며, 이는 매개변수당 약 20개의 훈련 데이터 토큰을 의미합니다. 이를 증명하기 위해 그들은 1조 4천억 개의 토큰에 대한 70B 매개변수 모델인 Chinchilla를 교육했습니다. 이는 훨씬 더 많은 데이터에 대해 교육을 받았기 때문에 동일한 컴퓨팅을 사용했음에도 불구하고 훨씬 더 큰 280B 매개변수 Gopher보다 성능이 뛰어났습니다.
기술적 통찰력
법칙은 매개변수적 손실 함수 L(N, D)를 맞추는 것에서 나옵니다. 여기서 N은 매개변수이고 D는 환원 불가능한 손실, 모델 크기 및 데이터 크기 항을 포함한 토큰입니다. 컴퓨팅 제약 조건(컴퓨팅은 대략 N 곱하기 D에 비례함)에 따라 손실을 최소화하면 최적의 N과 D가 모두 유사한 지수를 사용하여 컴퓨팅 성능으로 증가하므로 컴퓨팅 최적 비율은 매개변수당 20개 토큰 근처로 유지됩니다.
친칠라 비늘 법칙 익히기
2022년 DeepMind의 Chinchilla 확장 법칙에 따르면 대부분의 대규모 언어 모델은 심하게 훈련되지 않은 것으로 나타났습니다. 즉, 고정된 컴퓨팅 예산의 경우 모델 크기와 훈련 데이터를 대략 같은 비율로 확장해야 합니다. 이는 '최적' 모델 크기의 의미를 재정의하고 실험실에서 컴퓨팅에 소비하는 방식을 재구성했기 때문에 중요합니다. Chinchilla Scaling Laws는 대규모로 텍스트와 음성을 읽고, 생성하고, 분류하고, 변환하는 데 사용되는 언어 AI 스택의 일부입니다. 깊은 이해를 구축하려면 친칠라 스케일링 법칙을 단일 기능이 아닌 운영 모델로 다루십시오. 즉, 원하는 결과를 정의하고, 가정을 명확히 하며, 시스템이 안정적으로 수행할 수 있는 작업과 여전히 전문가 판단이 필요한 작업을 분리하세요.
실제로 Chinchilla Scaling Laws를 사용하는 강력한 팀은 프롬프트, 검색 및 검토 루프를 하나의 통합 커뮤니케이션 시스템으로 설계합니다. 명시적인 성공 기준을 문서화하고, 현실적인 데이터 및 워크플로를 기준으로 테스트하며, 일회성 벤치마크 승리보다는 관찰된 실패 패턴을 기반으로 반복합니다. 이론적 이해가 제품, 정책, 운영 전반에 걸쳐 지속 가능한 역량으로 바뀌는 곳입니다.
일관성을 유지하면서 언어 워크플로를 더 빠르게 진행할 수 있습니다. 동시에 환각 사실은 보고서, 지원 흐름 또는 연구 결과에 조용히 포함될 수 있습니다. 가장 탄력적인 접근 방식은 실험 속도와 거버넌스 규율을 결합하는 것입니다. 즉, 파일럿 실행, 증거 캡처, 결정 로그 게시, 모델 동작, 사용자 기대 및 규제 요구 사항이 발전함에 따라 보호 장치를 지속적으로 업데이트합니다.
전략적 영향
일관성을 유지하면서 언어 워크플로를 더 빠르게 진행할 수 있습니다.
일관성을 유지하면서 언어 워크플로를 더 빠르게 진행할 수 있습니다. 고품질 배포에서는 이는 측정 가능한 운영 규칙, 소유권 경계 및 반복적인 검토 의식으로 변환되므로 팀은 모호성을 확장하는 대신 자신감을 확장할 수 있습니다.
언어와 의사소통 스타일 전반에 걸쳐 접근성을 확장합니다.
언어와 의사소통 스타일 전반에 걸쳐 접근성을 확장합니다. 고품질 배포에서는 이는 측정 가능한 운영 규칙, 소유권 경계 및 반복적인 검토 의식으로 변환되므로 팀은 모호성을 확장하는 대신 자신감을 확장할 수 있습니다.
자동화가 반복을 처리하는 동안 팀은 판단에 더 많은 시간을 할애할 수 있습니다.
자동화가 반복을 처리하는 동안 팀은 판단에 더 많은 시간을 할애할 수 있습니다. 고품질 배포에서는 이는 측정 가능한 운영 규칙, 소유권 경계 및 반복적인 검토 의식으로 변환되므로 팀은 모호성을 확장하는 대신 자신감을 확장할 수 있습니다.
실제 구현
DeepMind의 70B 매개변수 Chinchilla는 훨씬 더 많은 데이터에 대한 교육을 통해 동일한 컴퓨팅을 사용하는 벤치마크에서 280B Gopher를 능가했습니다.
처음부터 모델을 계획할 때 팀이 매개변수당 약 20개의 훈련 토큰 예산을 책정하도록 안내합니다.
추론 시 실행 비용이 더 저렴하고 LLaMA와 같은 더 작고 데이터가 풍부한 모델을 정당화합니다.
계획된 모델이 '과소 학습'되어 추가 매개변수보다 추가 데이터에서 더 많은 이점을 얻을 수 있는지 추정
구현 패턴
실제 친칠라 스케일링 법칙
DeepMind의 70B 매개변수 Chinchilla는 훨씬 더 많은 데이터에 대한 교육을 통해 동일한 컴퓨팅을 사용하는 벤치마크에서 280B Gopher를 능가했습니다.
DeepMind의 70B 매개변수 Chinchilla는 훨씬 더 많은 데이터에 대한 교육을 통해 동일한 컴퓨팅을 사용하는 벤치마크에서 280B Gopher를 능가했습니다. 팀은 일반적으로 품질 임계값을 미리 정의하고, 극단적인 경우에 대한 인적 에스컬레이션 경로를 유지하고, 시간이 지남에 따라 생산성 향상과 오류 비용을 모두 추적할 때 더 나은 결과를 얻습니다.
실제 친칠라 스케일링 법칙
처음부터 모델을 계획할 때 팀이 매개변수당 약 20개의 훈련 토큰 예산을 책정하도록 안내합니다.
처음부터 모델을 계획할 때 팀이 매개변수당 약 20개의 훈련 토큰 예산을 책정하도록 안내합니다. 팀은 일반적으로 품질 임계값을 미리 정의하고, 극단적인 경우에 대한 인적 에스컬레이션 경로를 유지하고, 시간이 지남에 따라 생산성 향상과 오류 비용을 모두 추적할 때 더 나은 결과를 얻습니다.
실제 친칠라 스케일링 법칙
추론 시 실행 비용이 저렴하고 LLaMA와 같이 더 작고 데이터가 풍부한 모델을 정당화합니다.
추론 시 실행 비용이 더 저렴한 LLaMA와 같은 더 작고 데이터가 풍부한 모델을 정당화합니다. 일반적으로 팀은 품질 임계값을 미리 정의하고, 극단적인 경우에 대한 인적 에스컬레이션 경로를 유지하고, 시간이 지남에 따라 생산성 향상과 오류 비용을 모두 추적할 때 더 나은 결과를 얻습니다.
실제 친칠라 스케일링 법칙
계획된 모델이 '과소 학습'되어 추가 매개변수보다 추가 데이터에서 더 많은 이점을 얻을 수 있는지 여부를 추정합니다.
계획된 모델이 '과소 훈련'되어 추가 매개변수보다 추가 데이터에서 더 많은 이점을 얻을 수 있는지 추정 팀은 일반적으로 품질 임계값을 미리 정의하고, 극단적인 경우에 대한 인적 에스컬레이션 경로를 유지하고, 시간이 지남에 따라 생산성 향상과 오류 비용을 모두 추적할 때 더 나은 결과를 얻습니다.
위험 및 가드레일
환각 사실은 보고서, 지원 흐름 또는 연구 결과에 조용히 포함될 수 있습니다.
신속한 민감도는 유사한 요청 간에 일관되지 않은 결과를 초래할 수 있습니다.
액세스 제어가 약한 경우 민감한 텍스트 데이터가 노출될 수 있습니다.
구현 로드맵
출시 전에 출력 형식, 톤, 품질 표준을 정의하세요.
출시 전에 출력 형식, 톤, 품질 표준을 정의하세요. 각 단계를 증거 게이트로 처리합니다. 기준이 충족되지 않으면 롤아웃을 일시 중지하고 간격을 좁힌 다음 사용을 확장합니다.
정확성이 중요할 때마다 신뢰할 수 있는 출처를 통해 대응하세요.
정확성이 중요할 때마다 신뢰할 수 있는 출처를 통해 대응하세요. 각 단계를 증거 게이트로 처리합니다. 기준이 충족되지 않으면 롤아웃을 일시 중지하고 간격을 좁힌 다음 사용을 확장합니다.
고위험 결과물에 대한 인적 검토 체크포인트를 유지합니다.
고위험 결과물에 대한 인적 검토 체크포인트를 유지합니다. 각 단계를 증거 게이트로 처리합니다. 기준이 충족되지 않으면 롤아웃을 일시 중지하고 간격을 좁힌 다음 사용을 확장합니다.
실패 패턴을 추적하고 프롬프트나 워크플로를 정기적으로 재교육하세요.
실패 패턴을 추적하고 프롬프트나 워크플로를 정기적으로 재교육하세요. 각 단계를 증거 게이트로 처리합니다. 기준이 충족되지 않으면 롤아웃을 일시 중지하고 간격을 좁힌 다음 사용을 확장합니다.