YaRN 및 컨텍스트 길이 확장
YaRN(Yet another RoPE extensioN)은 모델이 학습한 것 이상으로 모델의 사용 가능한 컨텍스트 창을 확장하는 효율적인 기술입니다.
개요
It cleverly rescales rotary position embeddings so a model trained on, say, 4K tokens can handle 32K or more with minimal fine-tuning.
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.
전략적 영향
비용 및 예산
아키텍처 결정은 수년 동안 성능과 운영 비용을 결정합니다.
더 명확한 결정들
기술 교육은 팀이 최신 스택뿐만 아니라 올바른 스택을 선택하는 데 도움이 됩니다.
품질 관리
더 나은 엔지니어링 선택은 생산 시 신뢰성 사고를 줄입니다.
YaRN의 미래와 컨텍스트 길이 확장
컨텍스트 확장은 이제 표준 관행입니다. 개방형 모델은 정기적으로 128K 토큰 이상에 도달하는 YaRN 확장 변형을 제공합니다. 연구는 0 또는 0에 가까운 미세 조정으로 컨텍스트를 확장하고, RoPE 재조정과 주의 패턴 트릭을 결합하고, 끝이 아닌 전체 창에서 품질을 유지하는 방법을 향해 나아가고 있습니다. 이러한 기술을 사전 학습에 더욱 긴밀하게 통합하여 긴 컨텍스트가 개조되는 것이 아니라 기본이 될 것으로 기대합니다.
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
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.
현실적인 로드 및 데이터 조건에서 벤치마킹합니다.
오류, 드리프트 및 사용자 영향에 대한 계측기 모니터링.
확장하기 전에 롤백 및 사고 대응 경로를 준비하세요.
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 YaRN and Context Length 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
컨텍스트 확장을 위한 위치 보간
자주 묻는 질문
What is YaRN and Context Length Extension?
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.
YaRN은 컨텍스트를 확장하기 위해 어떤 위치 인코딩 방법을 수정합니까?
이름이 또 다른 RoPE 확장을 의미하는 YaRN은 대부분의 최신 LLM에 사용되는 회전 위치 임베딩의 크기를 조정합니다.
RoPE 모델이 훈련 길이보다 긴 시퀀스를 발견하면 무엇이 잘못됩니까?
훈련 이외의 위치에서는 모델이 볼 수 없는 회전 각도가 생성되므로 주의 행동이 급격히 저하됩니다.
YaRN은 다양한 RoPE 주파수 차원을 어떻게 처리합니까?
YaRN은 장파장 저주파 딤을 보간하고 단거리 고주파 딤을 대부분 그대로 유지하는 NTK별 램프를 사용합니다.
빈도 재조정 외에 YaRN은 어떤 추가 조정을 적용합니까?
YaRN은 어텐션 로짓에 온도 스케일링을 추가하여 컨텍스트가 증가함에 따라 발생하는 엔트로피 변화에 대응합니다.
순진한 보간에 비해 YaRN의 주요 실제 이점은 무엇입니까?
YaRN은 단순한 방법이 요구하는 데이터의 작은 부분을 미세 조정한 후 강력한 장기 컨텍스트 품질을 달성합니다.