개요
It made customizing 65B-parameter models possible on hardware that previously could only handle models a fraction of that size.
심층 분석
일반적으로 대규모 모델을 미세 조정한다는 것은 모든 가중치를 16비트 정밀도로 로드하고 모두 업데이트하는 것을 의미하므로 막대한 메모리가 필요합니다. QLoRA는 두 가지 아이디어를 결합합니다. 먼저 사전 훈련된 모델을 동결하고 4비트로 양자화하여 메모리를 대략 4배로 줄입니다. 둘째, LoRA를 사용합니다. 거대한 가중치 행렬을 업데이트하는 대신 훈련 가능한 작은 하위 어댑터 행렬을 함께 주입하므로 몇 백만 개의 매개변수만 업데이트됩니다. 4비트 베이스는 고정된 상태로 유지되지만 그라데이션은 작은 어댑터를 통해서만 흐릅니다. 2023년 Dettmers와 동료들이 도입한 QLoRA는 하나의 48GB GPU에서 65B 모델을 미세 조정하면 전체 16비트 미세 조정 품질과 일치할 수 있음을 보여주었습니다.
실제 구현
한 스타트업은 단일 48GB GPU에서 70B Llama 모델을 미세 조정하여 서버 클러스터를 임대하지 않고도 자체 브랜드 음성으로 고객 지원 도우미를 구축합니다.
한 명의 소비자 RTX 4090을 사용하는 연구원은 밤새 틈새 의료 질문 답변 데이터 세트에 개방형 모델을 적용했습니다.
개발자는 다양한 작업을 위해 교체 가능한 소형 LoRA 어댑터 수십 개를 생성하며 모두 메모리에 로드된 하나의 4비트 기본 모델을 공유합니다.
애호가는 무료 Colab급 하드웨어를 사용하여 특정 글쓰기 스타일을 모방하기 위해 개인 채팅 로그의 모델을 미세 조정합니다.
QLoRA와 4비트 미세 조정의 미래
4비트 미세 조정이 표준 관행이 되었으며 이제 연구는 2비트 및 1비트(3항) 표현을 포함하여 훨씬 더 낮은 정밀도를 향해 나아가고 있습니다. AWQ, GPTQ 및 HQQ와 같은 최신 양자화 방식은 정확도를 더욱 향상시키는 반면, QA-LoRA와 같은 기술은 어댑터를 병합한 후에도 모델을 양자화 상태로 유지하는 것을 목표로 합니다. 개방형 모델이 성장함에 따라 취미로 하는 사람들이 단일 게임 GPU에서 70B 이상의 모델을 미세 조정하여 일상화되고 민주화된 맞춤화를 가능하게 하는 도구가 기대됩니다.
실천에 옮기기
왜 중요한가요?
- 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.
조심하세요
- 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.
다음 단계
- 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
무료 뉴스레터
일일 AI 브리핑 받기
매주 평일 아침마다 3개의 검증된 AI 스토리를 일반 영어로 작성합니다. 무료이며, 광고 없음.
매주 평일마다 한 번 이메일을 받습니다. 한 번 클릭으로 구독 해지. 주소를 판매하거나 공유하지 않습니다.
자신을 테스트해 보세요
Take the QLoRA and 4-Bit Fine-Tuning quiz
모든 답변에 즉각적인 피드백과, 과정을 통과하면 검증 가능한 ID가 있는 공유 가능한 인증서를 제공합니다.
무료 AI 교육을 지원합니다. AI Understanding는 501(c)(3) 비영리 단체입니다 — 광고 없음, 유료 장벽 없음, 영원히. 기부하기
자주 묻는 질문
What is QLoRA and 4-Bit Fine-Tuning?
QLoRA는 고정 모델을 가중치당 4비트에 저장하여 단일 소비자 GPU에서 대규모 언어 모델을 미세 조정할 수 있는 기술입니다. 이전에는 해당 크기의 일부만 모델을 처리할 수 있었던 하드웨어에서 65B 매개변수 모델을 사용자 정의하는 것이 가능해졌습니다.
QLoRA의 '4비트' 부분 뒤에 숨겨진 핵심 메모리 절약 아이디어는 무엇입니까?
QLoRA는 고정된 사전 훈련된 가중치를 값당 4비트로 저장하여 16비트에 비해 메모리를 약 4배 절약합니다.
QLoRA 미세 조정 중에 경사하강법에 의해 실제로 업데이트되는 매개변수는 무엇입니까?
기본 모델이 동결되었습니다. 주입된 낮은 순위의 어댑터 행렬만이 그라디언트 업데이트를 수신하며 이는 매개변수의 아주 작은 부분에 불과합니다.
QLoRA의 맥락에서 NF4란 무엇입니까?
NF4(NormalFloat 4비트)는 일반 int4보다 더 나은 정확도를 위해 신경망 가중치의 종형 곡선 분포를 중심으로 설계된 데이터 유형입니다.
QLoRA의 '페이징 최적화'는 어떤 문제를 해결합니까?
Paged optimizers use NVIDIA unified memory to page optimizer states between GPU and CPU memory as needed; the QLoRA paper says this helps manage memory spikes and reduce out-of-memory risk during long-sequence fine-tuning.
훈련 중에 4비트 가중치가 언제 다시 더 높은 정밀도로 변환됩니까?
During a matrix multiplication, quantized weights are dequantized on the fly to a higher-precision compute dtype (for example, BF16 or FP16 in QLoRA configurations); the temporary higher-precision values are not stored as a full base-model copy.