개요
YaRN(Yet another RoPE extensioN)은 모델이 학습한 것 이상으로 모델의 사용 가능한 컨텍스트 창을 확장하는 효율적인 기술입니다. 예를 들어 4K 토큰으로 훈련된 모델이 최소한의 미세 조정으로 32K 이상을 처리할 수 있도록 회전 위치 임베딩의 크기를 영리하게 조정합니다.
YaRN 및 컨텍스트 길이 확장은 모델 품질, 인프라 비용, 대기 시간 및 규모에 따른 안정성에 영향을 미치는 기술 빌딩 블록입니다.
심층 분석
대부분의 최신 LLM은 위치에 연결된 각도로 쿼리 및 키 벡터를 회전하는 RoPE(Rotary Position Embeddings)를 사용하여 토큰 위치를 인코딩합니다. 훈련 길이보다 긴 시퀀스를 공급하면 이러한 회전이 보이지 않는 범위에 들어가고 모델이 중단됩니다. 2023년 Bowen Peng과 공동 작업자가 도입한 YaRN은 주파수별로 적용되는 NTK 인식 보간으로 이 문제를 해결합니다. 즉, 고주파 차원(로컬, 단거리 관계 캡처)은 대부분 그대로 유지하면서 저주파 차원(장거리 위치 추적)을 보간합니다. YaRN은 또한 더 긴 컨텍스트에서 발생하는 엔트로피 변화에 대응하기 위해 주의에 온도 조정을 추가합니다. 그 결과 순진한 접근 방식에 필요한 데이터와 단계의 아주 작은 부분만 미세 조정한 후 강력한 장기 컨텍스트 성능을 얻을 수 있습니다.
기술적 통찰력
RoPE는 각 임베딩 차원에 회전 빈도를 할당합니다. 순진한 선형 보간법은 모든 주파수를 동일하게 압축하여 미세한 로컬 디테일을 인코딩하는 고주파수 차원을 손상시킵니다. YaRN은 램프 기능을 사용하여 고주파수(장파장) 차원만 보간하고 고주파수 차원을 보존하며 시퀀스 길이가 증가함에 따라 소프트맥스 선명도를 안정적으로 유지하는 1/sqrt(t) 주의 온도 스케일링을 사용합니다. 이 NTK별 접근 방식은 성능 저하를 최소화하면서 컨텍스트를 확장합니다.
YaRN 및 컨텍스트 길이 확장 마스터링
YaRN(Yet another RoPE extensioN)은 모델이 학습한 것 이상으로 모델의 사용 가능한 컨텍스트 창을 확장하는 효율적인 기술입니다. 예를 들어 4K 토큰으로 훈련된 모델이 최소한의 미세 조정으로 32K 이상을 처리할 수 있도록 회전 위치 임베딩의 크기를 영리하게 조정합니다. YaRN 및 컨텍스트 길이 확장은 모델 품질, 인프라 비용, 대기 시간 및 규모에 따른 안정성에 영향을 미치는 기술 빌딩 블록입니다. 깊은 이해를 구축하려면 YaRN 및 컨텍스트 길이 확장을 단일 기능이 아닌 운영 모델로 취급하십시오. 원하는 결과를 정의하고, 가정을 명확히 하고, 시스템이 안정적으로 수행할 수 있는 작업과 여전히 전문가 판단이 필요한 작업을 분리하세요.
실제로 YaRN 및 Context Length Extension을 사용하는 강력한 팀은 안정성과 비용에 맞춰 아키텍처, 데이터 및 인프라 선택을 최적화합니다. 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.
아키텍처 결정은 수년간 성능과 운영 비용을 결정합니다. 동시에 하나의 벤치마크를 최적화하면 더 광범위한 시스템 약점을 숨길 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
아키텍처 결정은 수년간 성능과 운영 비용을 결정합니다.
아키텍처 결정은 수년간 성능과 운영 비용을 결정합니다. 고품질 배포에서는 이는 측정 가능한 운영 규칙, 소유권 경계 및 반복적인 검토 의식으로 변환되므로 팀은 모호성을 확장하는 대신 자신감을 확장할 수 있습니다.
기술 교육은 팀이 최신 스택뿐만 아니라 올바른 스택을 선택하는 데 도움이 됩니다.
기술 교육은 팀이 최신 스택뿐만 아니라 올바른 스택을 선택하는 데 도움이 됩니다. 고품질 배포에서는 이는 측정 가능한 운영 규칙, 소유권 경계 및 반복적인 검토 의식으로 변환되므로 팀은 모호성을 확장하는 대신 자신감을 확장할 수 있습니다.
더 나은 엔지니어링 선택은 생산 시 신뢰성 사고를 줄입니다.
더 나은 엔지니어링 선택은 생산 시 신뢰성 사고를 줄입니다. 고품질 배포에서는 이는 측정 가능한 운영 규칙, 소유권 경계 및 반복적인 검토 의식으로 변환되므로 팀은 모호성을 확장하는 대신 자신감을 확장할 수 있습니다.
실제 구현
간단한 미세 조정을 통해 긴 문서에 대한 질문 답변을 위해 개방형 4K 컨텍스트 모델을 32K 또는 128K로 확장
검색 증강 시스템을 사용하여 잘림 없이 연결된 많은 구절을 수집할 수 있습니다.
하나의 프롬프트에서 전체 대규모 저장소 파일 또는 여러 파일이 필요한 코드 도우미 강화
대규모 채팅 기록을 축적하는 긴 다단계 대화를 위한 기본 모델 적용
구현 패턴
실제로 YaRN 및 컨텍스트 길이 확장
간단한 미세 조정을 통해 긴 문서에 대한 질문 답변을 위해 개방형 4K 컨텍스트 모델을 32K 또는 128K로 확장합니다.
간단한 미세 조정을 통한 긴 문서 질문 응답을 위해 개방형 4K 컨텍스트 모델을 32K 또는 128K로 확장 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.
실제로 YaRN 및 컨텍스트 길이 확장
검색 증강 시스템을 사용하여 잘림 없이 연결된 많은 구절을 수집할 수 있습니다.
잘림 없이 연결된 여러 구절을 수집할 수 있는 검색 증강 시스템 활성화 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.
실제로 YaRN 및 컨텍스트 길이 확장
하나의 프롬프트에 전체 대규모 저장소 파일 또는 여러 파일이 필요한 코드 도우미를 강화합니다.
하나의 프롬프트에서 전체 대규모 리포지토리 파일 또는 여러 파일이 필요한 코드 도우미 지원 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.
실제로 YaRN 및 컨텍스트 길이 확장
대규모 채팅 기록을 축적하는 긴 다단계 대화에 대한 기본 모델을 적용합니다.
대규모 채팅 기록을 축적하는 긴 다단계 대화에 대한 기본 모델 조정 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
하나의 벤치마크를 최적화하면 더 광범위한 시스템 약점을 숨길 수 있습니다.
인프라 및 유지 관리 비용은 종종 과소평가됩니다.
시스템이 더욱 복잡해짐에 따라 보안 및 관찰 가능성의 격차가 커질 수 있습니다.
구현 로드맵
구현하기 전에 지연 시간, 품질, 비용 목표를 정의하세요.
구현하기 전에 지연 시간, 품질, 비용 목표를 정의하세요. 각 단계를 증거 게이트로 처리합니다. 기준이 충족되지 않으면 롤아웃을 일시 중지하고 간격을 좁힌 다음 사용을 확장합니다.
현실적인 로드 및 데이터 조건에서 벤치마킹합니다.
현실적인 로드 및 데이터 조건에서 벤치마킹합니다. 각 단계를 증거 게이트로 처리합니다. 기준이 충족되지 않으면 롤아웃을 일시 중지하고 간격을 좁힌 다음 사용을 확장합니다.
오류, 드리프트 및 사용자 영향에 대한 계측기 모니터링.
오류, 드리프트 및 사용자 영향에 대한 계측기 모니터링. 각 단계를 증거 게이트로 처리합니다. 기준이 충족되지 않으면 롤아웃을 일시 중지하고 간격을 좁힌 다음 사용을 확장합니다.
확장하기 전에 롤백 및 사고 대응 경로를 준비하세요.
확장하기 전에 롤백 및 사고 대응 경로를 준비하세요. 각 단계를 증거 게이트로 처리합니다. 기준이 충족되지 않으면 롤아웃을 일시 중지하고 간격을 좁힌 다음 사용을 확장합니다.