컨텍스트 확장을 위한 위치 보간
위치 보간(PI)은 위치 인덱스를 외삽하는 대신 크기를 다시 조정하여 언어 모델의 사용 가능한 컨텍스트 창을 훈련 길이보다 훨씬 더 확장하는 기술입니다.
개요
It lets a model trained on, say, 2K or 4K tokens handle 32K or more with only light fine-tuning.
심층 분석
대부분의 최신 LLM은 위치를 쿼리 및 키 벡터에 적용되는 회전 각도로 인코딩하는 RoPE(회전식 위치 임베딩)를 사용합니다. 단순히 더 긴 시퀀스를 입력하면 모델은 훈련되지 않은 위치와 회전 각도를 확인하게 되고 주의가 범위를 벗어난 주파수에 제대로 추정되지 않기 때문에 성능이 저하됩니다. 위치 보간은 외삽을 방지합니다. 길이 L에서 길이 L'로 확장하기 위해 모든 위치 인덱스를 L'/L 인자로 나누어 새 범위를 훈련된 간격으로 다시 압축합니다. 이제 모델은 더 조밀하게 배치된 분포 각도만 볼 수 있습니다. 짧은 미세 조정(종종 수백에서 수천 단계)을 통해 더 미세한 간격에 적응할 수 있으며 사전 훈련 비용의 아주 작은 부분으로 안정적인 장기 컨텍스트 동작을 얻을 수 있습니다.
기술적 통찰력
RoPE는 미세한 범위에서 거친 범위의 주파수로 차원 쌍을 회전합니다. PI는 위치 m을 m/s(여기서 s = L'/L)로 재조정하므로 회전 각도는 추정하는 대신 훈련된 범위 내에 유지됩니다. NTK 인식 스케일링 및 YaRN과 같은 주파수 인식 변형은 더 나아갑니다. 저주파는 더 적게, 고주파는 더 많이 스케일링(또는 파장별로 보간)하여 고주파수 로컬 세부 사항을 보존하면서 저주파 장거리 도달 범위를 확장합니다.
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.
컨텍스트 확장을 위한 위치 보간의 미래
컨텍스트 확장이 빠르게 움직이고 있습니다. NTK 인식 RoPE 스케일링, YaRN 및 동적/장기 RoPE와 같은 방법은 이제 미세 조정이 거의 또는 전혀 없이 수십만 또는 심지어 수백만 개의 토큰으로 창을 푸시합니다. 이러한 스케일링 트릭은 효율적인 주의 및 KV 캐시 압축과 결합되어 모델 구성의 표준 손잡이가 될 것으로 예상됩니다. 긴 컨텍스트를 명목상으로 지원하는 것이 아니라 실제로 사용할 수 있도록 전체 창에서 정확도를 높게 유지하기 위한 연구가 계속되고 있습니다.
실제 구현
간단한 미세 조정 후 긴 문서를 요약하기 위해 4K로 훈련된 LLaMA 모델을 32K 컨텍스트로 확장합니다.
파일 간 질문 답변을 위해 전체 코드베이스 또는 대규모 법률 계약을 하나의 프롬프트로 로드합니다.
NTK 인식 또는 YaRN 확장을 사용하여 추가 교육을 최소화하거나 전혀 하지 않고도 컨텍스트를 연장합니다.
추론 시 RoPE 위치를 재조정하여 긴 채팅 기록을 잘림 없이 제공합니다.
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 Position Interpolation for Context Extension 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
YaRN 및 컨텍스트 길이 확장
자주 묻는 질문
What is Position Interpolation for Context Extension?
위치 보간(PI)은 위치 인덱스를 외삽하는 대신 크기를 다시 조정하여 언어 모델의 사용 가능한 컨텍스트 창을 훈련 길이보다 훨씬 더 확장하는 기술입니다. 예를 들어 2K 또는 4K 토큰으로 훈련된 모델이 가벼운 미세 조정만으로 32K 이상을 처리할 수 있습니다.
위치 보간(Position Interpolation)의 핵심 아이디어는 무엇입니까?
PI는 위치 지수를 확장 인자로 나누어 더 긴 시퀀스를 모델이 이미 학습한 분포 내 범위에 다시 매핑합니다.
위치 보간과 가장 관련이 있는 위치 인코딩 체계는 무엇입니까?
PI는 RoPE 기반 모델로 대중화되어 회전 각도의 크기를 조정하여 훈련된 주파수 내에 유지됩니다.
더 긴 컨텍스트에 대한 순진한 추정이 실패하는 경향이 있는 이유는 무엇입니까?
더 긴 시퀀스를 공급하면 모델이 훈련되지 않은 범위를 벗어난 각도에 노출되어 주의력과 성능이 급격히 저하됩니다.
컨텍스트 길이를 L에서 L'로 확장하는 경우 기본 PI가 m 위치에 적용되는 재조정 요소는 무엇입니까?
PI는 m을 요인 s = L'/L로 나눈 m에 매핑하여 더 긴 범위를 원래 훈련된 간격으로 압축합니다.
NTK 인식 스케일링 및 YaRN은 일반 위치 보간에서 어떻게 개선됩니까?
이러한 방법은 낮은 주파수와 높은 주파수를 다르게 조정하여 더 긴 컨텍스트에 도달하는 동시에 세밀한 로컬 위치 세부 정보를 유지합니다.