Ajuste de prefixo
O ajuste de prefixo é uma maneira eficiente de adaptar um modelo de linguagem congelada, treinando um pequeno conjunto de vetores contínuos que são anexados à entrada de cada camada.
Visão geral
It lets you customize giant models for new tasks while updating less than 1% of parameters.
Mergulho profundo
O ajuste de prefixo, introduzido pelos pesquisadores Li e Liang de Stanford em 2021, adapta um transformador pré-treinado sem tocar em seus pesos. Em vez de ajustar todos os parâmetros, ele acrescenta uma sequência de 'tokens virtuais' treináveis (o prefixo) às chaves e valores em cada camada de atenção. O modelo congelado atende a esse prefixo como se fosse um contexto real, direcionando seu comportamento para uma tarefa alvo. Como apenas os vetores de prefixo são aprendidos, você pode armazenar um pequeno prefixo por tarefa em vez de uma cópia completa do modelo. Isso torna barato o atendimento de muitas tarefas e evita a explosão de armazenamento devido ao ajuste fino completo. Ele tem um desempenho especialmente bom em tarefas de geração, como tabela para texto e resumo, geralmente combinando com o ajuste fino completo em configurações com muitos dados.
Visão Técnica
Ao contrário do ajuste de prompt, que apenas adiciona vetores na camada de incorporação de entrada, o ajuste de prefixo injeta vetores de chave/valor treináveis na autoatenção de cada camada do transformador. Para estabilizar o treinamento, o prefixo é normalmente gerado por uma pequena rede feed-forward (um truque de reparametrização) em vez de otimizado diretamente; essa rede é descartada após o treinamento, deixando apenas as matrizes de prefixos aprendidas. Somente esses parâmetros de prefixo recebem gradientes – todo o backbone permanece congelado.
Impacto Estratégico
Velocidade e escala
Os fluxos de trabalho de idiomas podem avançar mais rapidamente sem sacrificar a consistência.
Acesso e alcance
Ele expande o acesso entre idiomas e estilos de comunicação.
Decisões mais claras
As equipes podem gastar mais tempo julgando enquanto a automação cuida da repetição.
O futuro do ajuste de prefixo
O ajuste de prefixo ajudou a lançar a onda de ajuste fino com eficiência de parâmetros (PEFT) e continua sendo um alicerce em bibliotecas como Hugging Face PEFT. À medida que os modelos básicos crescem para centenas de bilhões de parâmetros, adaptadores leves, como prefixos, são cada vez mais atraentes para atendimento multilocatário e personalização no dispositivo. Espere abordagens híbridas contínuas que combinem prefixos com atualizações de baixa classificação no estilo LoRA e uso crescente no controle de estilo, personalidade e comportamento de segurança sem retreinar modelos inteiros.
Implementação no mundo real
Adaptando um backbone GPT-2 congelado para geração de tabela para texto treinando um pequeno prefixo no conjunto de dados WebNLG
Servindo dezenas de estilos de resumo específicos do cliente a partir de um único modelo compartilhado, cada um como um arquivo de prefixo trocável
Orientar o tom ou a personalidade de um modelo de linguagem para um chatbot sem treinar novamente os pesos básicos
Adaptação de domínio com poucos dados, como geração de textos jurídicos ou médicos, onde o ajuste fino completo se ajustaria demais
Riscos e guarda-corpos
Fatos alucinados podem entrar silenciosamente em relatórios, fluxos de apoio ou resultados de pesquisas.
A sensibilidade do prompt pode criar resultados inconsistentes em solicitações semelhantes.
Dados de texto confidenciais podem ser expostos se os controles de acesso forem fracos.
Roteiro de implementação
Defina o formato de saída, o tom e os padrões de qualidade antes da implementação.
Respostas terrestres com fontes confiáveis sempre que a precisão for importante.
Mantenha um ponto de verificação de revisão humana para resultados de alto risco.
Rastreie padrões de falha e treine novamente prompts ou fluxos de trabalho regularmente.
Continue explorando
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 Prefix Tuning 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
Próximo guia
Ajuste fino de amostragem de rejeição
Perguntas frequentes
What is Prefix Tuning?
O ajuste de prefixo é uma maneira eficiente de adaptar um modelo de linguagem congelada, treinando um pequeno conjunto de vetores contínuos que são anexados à entrada de cada camada. Ele permite personalizar modelos gigantes para novas tarefas enquanto atualiza menos de 1% dos parâmetros.
O que o ajuste de prefixo realmente treina?
O ajuste de prefixo congela o backbone e aprende apenas um pequeno conjunto de vetores de prefixo contínuos, mantendo-o eficiente em termos de parâmetros.
Onde os vetores de prefixo são injetados?
O ajuste de prefixo acrescenta vetores de chave/valor treináveis na autoatenção de cada camada do transformador, não apenas na entrada.
Quem introduziu o ajuste de prefixo e aproximadamente quando?
O ajuste do prefixo foi proposto por Xiang Lisa Li e Percy Liang em Stanford em 2021.
Por que o ajuste de prefixo é atraente para atender a muitas tarefas?
Como apenas o prefixo pequeno é específico da tarefa, você armazena um pequeno arquivo por tarefa em vez de duplicar o modelo inteiro.
Que truque é frequentemente usado para estabilizar o treinamento de prefixo?
Um pequeno MLP gera o prefixo durante o treinamento para estabilidade e depois é descartado, deixando apenas as matrizes de prefixo aprendidas.