일반적인 샘플링
일반적인 샘플링은 항상 가장 가능성이 높은 단어를 선택하는 대신 정보 내용이 모델의 예상 놀라움에 가까운 토큰에서 다음 단어를 선택하는 텍스트 생성 방법입니다.
개요
It aims for output that feels natural and human-like by matching how real language balances predictability and novelty.
심층 분석
언어 모델이 다음 토큰을 예측할 때 수천 개의 옵션에 대한 확률 분포를 생성합니다. Greedy 및 top-k 방법은 텍스트를 반복적이고 단조롭게 만들 수 있는 확률이 높은 토큰을 선호합니다. 2022년 마이스터와 동료들이 도입한 일반적인 샘플링은 정보 이론에 뿌리를 둔 다른 각도를 취합니다. 모델은 예상되는 정보 내용(분포의 엔트로피)을 계산합니다. 그런 다음 토큰은 자신의 놀라움이 기대치에서 얼마나 멀리 떨어져 있는지에 따라 점수가 매겨집니다. 일반적인 샘플링은 결합된 확률이 임계값에 도달할 때까지 놀라움이 평균에 가장 가까운 토큰 세트를 유지한 다음 해당 세트에서 샘플링합니다. 그 결과는 놀라울 정도로 무작위적이지도 않고 단조롭게 예측할 수도 없는 텍스트이며, 인간이 거의 일정한 정보 속도로 자연스럽게 의사소통하는 방식을 반영합니다.
기술적 통찰력
각 후보 토큰에 대해 모델은 음의 로그 확률인 놀라움을 계산합니다. 또한 모든 토큰에 대한 확률 가중 평균 놀라움인 조건부 엔트로피를 계산합니다. 일반적인 샘플링은 놀라움과 해당 엔트로피 사이의 절대적인 차이에 따라 토큰의 순위를 매긴 다음, 누적 확률이 매개변수 타우(종종 약 0.9~0.95)에 도달할 때까지 가장 가까운 토큰을 탐욕스럽게 추가합니다. 샘플링은 국지적으로 일반적인 세트 내에서만 발생하며 극단적인 특이치와 가장 지루한 고확률 선택을 모두 억제합니다.
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.
일반 샘플링의 미래
일반적인 샘플링은 llama.cpp 및 Hugging Face Transformers와 같은 오픈 소스 추론 스택에서 top-p 및 top-k와 함께 표준 옵션이 되고 있습니다. 지나치게 안전한 디코딩으로 인해 품질이 저하되는 창의적인 글쓰기, 대화 및 스토리 생성에 사용이 증가할 것으로 예상됩니다. 연구자들은 이를 상황에 따라 이동하는 적응형 임계값과 혼합하고 이를 반복 페널티와 결합하고 있습니다. 정보 이론적 디코딩이 성숙해짐에 따라 일반적인 샘플링은 수동으로 조정된 온도 설정을 폐기하는 자동 분포 인식 방법을 알려줄 수 있습니다.
실제 구현
탐욕스러운 해독으로 지루하고 반복적인 산문이 생성되고 작가는 보다 자연스러운 다양성을 원하는 소설이나 시를 생성합니다.
일관되고 주제에 맞는 내용을 유지하면서 로봇적이고 정형화된 표현을 피하는 강력한 챗봇 답변입니다.
개발자가 오픈 소스 모델 출력을 조정하는 경우 Hugging Face Transformers에서 디코딩 플래그(전형적_p)로 사용할 수 있습니다.
더 풍부하고 덜 타락한 텍스트를 위해 top-p 대신 llama.cpp 및 text- Generation-webui와 같은 로컬 LLM 런타임에 사용됩니다.
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 Typical Sampling 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
추측적 샘플링 검증
자주 묻는 질문
What is Typical Sampling?
일반적인 샘플링은 항상 가장 가능성이 높은 단어를 선택하는 대신 정보 내용이 모델의 예상 놀라움에 가까운 토큰에서 다음 단어를 선택하는 텍스트 생성 방법입니다. 실제 언어가 예측 가능성과 참신함의 균형을 맞추는 방식을 일치시켜 자연스럽고 인간과 같은 느낌의 출력을 목표로 합니다.
일반적인 샘플링은 각 후보 토큰을 어떤 핵심 수량과 비교합니까?
일반적인 샘플링은 각 토큰의 놀라움이 분포의 엔트로피, 즉 예상 정보 내용과 얼마나 떨어져 있는지 측정하여 놀라움이 해당 평균에 가장 가까운 토큰을 유지합니다.
일반적인 샘플링은 가장 가능성이 높은 단일 토큰을 어떻게 처리합니까?
확률이 매우 높은 토큰은 놀라움이 매우 낮아 평균과는 거리가 멀 수 있으므로 일반적인 샘플링에서는 보다 '일반적인' 토큰을 선호하여 후보 집합에서 제외될 수 있습니다.
일반적인 샘플링은 인간 언어에 대한 어떤 생각에 의해 동기가 부여되었습니까?
이 방법은 자연어가 균일한 정보 속도에 가깝게 유지되므로 평균에 가까운 놀라움을 전달하는 토큰을 선호한다는 가설을 따릅니다.
일반적인 샘플링 제어에서 타우 매개변수는 무엇입니까?
Tau는 목표 누적 확률을 설정합니다. 엔트로피에 가장 가까운 토큰은 결합된 확률이 타우에 도달할 때까지 추가되어 샘플링할 세트를 정의합니다.
어떤 종류의 소프트웨어에서 일반적인 샘플링이 개발자에게 일반적으로 노출됩니까?
일반 샘플링은 Hugging Face Transformers와 같은 라이브러리 및 llama.cpp와 같은 로컬 런타임에서 디코딩 옵션(예: 일반_p)으로 구현됩니다.