대비 디코딩
대조 디코딩은 크고 강한 언어 모델의 경향에서 작고 약한 언어 모델의 경향을 빼서 더 높은 품질의 텍스트를 생성합니다.
개요
It amplifies what the expert knows and the amateur misses, reducing repetition and bland output.
심층 분석
언어 모델이 다음 단어를 선택할 때 해당 어휘에 대한 확률을 생성합니다. 대조 디코딩(2022년 Li et al.에 의해 도입됨)은 동일한 맥락에서 큰 '전문가'와 작은 '아마추어'라는 두 가지 모델을 실행합니다. 전문가의 원시 확률을 신뢰하는 대신 전문가의 로그 확률과 아마추어의 로그 확률 간의 차이로 각 후보 토큰의 점수를 매깁니다. 전문가가 선호하는 토큰이지만 아마추어는 향상되지 않습니다. 두 모델이 모두 좋아하는 일반적인 단어(예: 'the' 또는 반복되는 문구)는 아마추어도 좋아하므로 억제됩니다. 타당성 필터는 먼저 전문가가 매우 가능성이 없다고 판단하는 토큰을 삭제하므로 대비가 말도 안되는 소리를 조장하지 않습니다. 결과적으로 추가 교육이 필요하지 않은 탐욕적 샘플링이나 핵 샘플링보다 더 유창하고 일관되며 덜 반복적인 긴 형식의 텍스트가 생성됩니다.
기술적 통찰력
핵심 점수는 log p_expert(token)에서 계수 x log p_amateur(token)입니다. 아마추어는 전문가의 체계적인 오류(고빈도 토큰 선호, 루핑, 퇴화된 반복)를 공유하기 때문에 로그 확률을 빼면 진정한 전문 지식을 유지하면서 공유된 실패 모드가 취소됩니다. 적응형 타당성 제약 조건은 최고 전문가 확률의 분수(알파) 이상인 토큰만 유지하여 대비가 희귀하고 일관되지 않은 단어를 증폭시키는 것을 방지합니다.
전략적 영향
속도와 규모
일관성을 유지하면서 언어 워크플로를 더 빠르게 진행할 수 있습니다.
접근 및 도달
언어와 의사소통 스타일 전반에 걸쳐 접근성을 확장합니다.
더 명확한 결정들
자동화가 반복을 처리하는 동안 팀은 판단에 더 많은 시간을 할애할 수 있습니다.
대비 디코딩의 미래
대조 디코딩은 DoLa(환각을 줄이기 위해 모델 자체의 초기 레이어와 후기 레이어를 대조) 및 검색된 문서와 대조되는 상황 인식 변형을 포함하는 '추론 시 대비' 방법 계열에 영감을 주었습니다. 검색, 사실성 채점, 소규모 아마추어 증류와의 더욱 긴밀한 통합과 추론적 디코딩의 결합을 기대하여 아마추어가 품질을 조정하고 생성을 동시에 가속화할 수 있습니다.
실제 구현
핵 샘플링이 루프로 표류하는 길고 비반복적인 이야기 또는 기사 연속 생성
65B 전문가와 1.5B 아마추어를 결합하여 미세 조정 없이 개방형 세대 개선
요약 및 대화 출력의 퇴화된 반복 감소
사실적 환각을 낮추기 위한 DoLa 스타일 자기 대조의 기초 역할을 합니다.
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.
정확성이 중요할 때마다 신뢰할 수 있는 출처를 통해 대응하세요.
고위험 결과물에 대한 인적 검토 체크포인트를 유지합니다.
실패 패턴을 추적하고 프롬프트나 워크플로를 정기적으로 재교육하세요.
계속 탐색하세요
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 Contrastive Decoding 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
다음 가이드
최소 베이즈 위험 디코딩
자주 묻는 질문
What is Contrastive Decoding?
대조 디코딩은 크고 강한 언어 모델의 경향에서 작고 약한 언어 모델의 경향을 빼서 더 높은 품질의 텍스트를 생성합니다. 전문가가 알고 있는 것과 아마추어가 놓친 것을 증폭시켜 반복과 단조로운 출력을 줄입니다.
대조 디코딩에서 작은 '아마추어' 모델은 어떤 역할을 합니까?
전문가의 로그 확률에서 아마추어의 로그 확률을 빼면 두 모델이 공유하는 체계적인 오류(빈번한 토큰 선호 등)가 제거됩니다.
아마추어의 확률을 빼면 반복과 단조로운 출력이 줄어드는 이유는 무엇입니까?
두 모델 모두 빈도가 높고 반복적인 토큰을 과도하게 선호하는 경향이 있습니다. 아마추어를 빼면 공유된 편견이 제거되고 단조로운 선택이 낮아집니다.
적응 타당성 제약 조건은 무엇을 합니까?
타당성 필터는 전문가의 확률이 낮은 토큰을 삭제하므로 대비가 일관되지 않거나 무의미한 단어를 조장할 수 없습니다.
대조 디코딩의 채점 공식은 대략 무엇입니까?
각 후보자는 전문가의 로그 확률에서 가중 아마추어 로그 확률을 뺀 값으로 점수가 매겨져 전문가가 고유하게 선호하는 토큰을 보상받습니다.
대조 아이디어를 단일 모델의 자체 레이어로 확장하는 최신 방법은 무엇입니까?
DoLa는 모델의 조기(초기 계층) 예측과 성숙(후기 계층) 예측을 대조하여 환각을 줄이고 하나의 모델 내에서 대조 개념을 적용합니다.