Ajustare prefix
Reglarea prefixului este o modalitate eficientă din punct de vedere al parametrilor de a adapta un model de limbă înghețată prin antrenarea unui set mic de vectori continui care sunt anexați la intrarea fiecărui strat.
Prezentare generală
It lets you customize giant models for new tasks while updating less than 1% of parameters.
Scufundare în profunzime
Reglajul prefixului, introdus de cercetătorii de la Stanford Li și Liang în 2021, adaptează un transformator preantrenat fără a-i atinge greutățile. În loc să ajusteze toți parametrii, acesta adaugă o secvență de „jetoane virtuale” antrenabile (prefixul) cheilor și valorilor la fiecare strat de atenție. Modelul înghețat se ocupă de acest prefix ca și cum ar fi un context real, îndreptându-și comportamentul către o sarcină țintă. Deoarece sunt învățați doar vectorii de prefix, puteți stoca un prefix mic per sarcină în loc de o copie completă a modelului. Acest lucru face ca servirea multor sarcini să fie ieftină și evită explozia de stocare a reglajului fin complet. Funcționează deosebit de bine în sarcinile de generare, cum ar fi tabelul în text și rezumatul, adesea potrivindu-se reglajul fin complet în setările cu date mari.
Perspectivă tehnică
Spre deosebire de reglarea promptă, care adaugă doar vectori la stratul de încorporare de intrare, reglarea prefixului injectează vectori cheie/valoare antrenabili în atenția fiecărui strat transformator. Pentru a stabiliza antrenamentul, prefixul este de obicei generat de o mică rețea feed-forward (un truc de reparametrizare), mai degrabă decât optimizat direct; acea rețea este eliminată după antrenament, lăsând doar matricele de prefix învățate. Doar acești parametri de prefix primesc gradienți — întreaga coloană vertebrală rămâne înghețată.
Impact strategic
Viteză și scară
Fluxurile de lucru lingvistice se pot deplasa mai rapid fără a sacrifica consistența.
Acces și acoperire
Extinde accesul în diferite limbi și stiluri de comunicare.
Decizii mai clare
Echipele pot petrece mai mult timp jucând în timp ce automatizarea se ocupă de repetiție.
Viitorul acordării prefixelor
Reglarea prefixelor a ajutat la lansarea valului de reglare fină eficientă din punct de vedere al parametrilor (PEFT) și rămâne un element de bază în biblioteci precum Hugging Face PEFT. Pe măsură ce modelele de bază cresc în sute de miliarde de parametri, adaptoarele ușoare, cum ar fi prefixele, sunt din ce în ce mai atractive pentru servirea multi-chiriași și personalizarea pe dispozitiv. Așteptați-vă la abordări hibride continue care îmbină prefixele cu actualizări de rang scăzut în stil LoRA și o utilizare tot mai mare în controlul stilului, personalității și comportamentului de siguranță fără a reinstrui modele întregi.
Implementare în lumea reală
Adaptarea unei coloane vertebrale GPT-2 înghețate pentru generarea de tabel în text prin antrenarea unui mic prefix pe setul de date WebNLG
Deservește zeci de stiluri de rezumare specifice clientului dintr-un singur model partajat, fiecare ca fișier de prefix schimbabil
Reglarea tonului sau a personajului unui model de limbă pentru un chatbot fără a reinstrui greutățile de bază
Adaptarea domeniului cu date reduse, cum ar fi generarea de text juridic sau medical, în cazul în care reglarea fină completă s-ar adapta prea mult
Riscuri și balustrade
Faptele halucinate pot intra în liniște în rapoarte, fluxuri de sprijin sau rezultate ale cercetării.
Sensibilitatea promptă poate crea rezultate inconsecvente pentru solicitări similare.
Datele text sensibile pot fi expuse dacă controalele de acces sunt slabe.
Foaia de parcurs de implementare
Definiți formatul de ieșire, tonul și standardele de calitate înainte de lansare.
Răspunsurile la sol cu surse de încredere ori de câte ori acuratețea contează.
Păstrați un punct de control uman pentru rezultate cu mize mari.
Urmăriți tiparele de eșec și reantrenați în mod regulat solicitările sau fluxurile de lucru.
Continuați să explorați
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
Următorul ghid
Reglaj fin de eșantionare de respingere
Întrebări frecvente
What is Prefix Tuning?
Reglarea prefixului este o modalitate eficientă din punct de vedere al parametrilor de a adapta un model de limbă înghețată prin antrenarea unui set mic de vectori continui care sunt anexați la intrarea fiecărui strat. Vă permite să personalizați modele gigantice pentru sarcini noi în timp ce actualizați mai puțin de 1% din parametri.
Ce antrenează de fapt acordarea prefixelor?
Reglajul prefixului îngheață coloana vertebrală și învață doar un set mic de vectori continui de prefix, păstrându-l eficient din punct de vedere al parametrilor.
Unde sunt injectați vectorii de prefix?
Ajustarea prefixelor precedă vectori cheie/valoare antrenabili la auto-atenția fiecărui strat de transformator, nu doar la intrare.
Cine a introdus acordarea prefixelor și, aproximativ, când?
Acordarea prefixului a fost propusă de Xiang Lisa Li și Percy Liang la Stanford în 2021.
De ce este ajustarea prefixului atractivă pentru a îndeplini multe sarcini?
Deoarece doar prefixul mic este specific sarcinii, stocați un fișier mic pentru fiecare sarcină, în loc să duplicați întregul model.
Ce truc este adesea folosit pentru a stabiliza antrenamentul cu prefix?
Un mic MLP generează prefixul în timpul antrenamentului pentru stabilitate, apoi este aruncat, lăsând doar matricele de prefix învățate.