ДалееСледующее руководство
Точная настройка против RAG против подсказок
Языковой ИИ
РУКОВОДСТВО ПО ЯЗЫКУ ИИ
QLoRA — это метод, который позволяет вам точно настроить массивную языковую модель на одном потребительском графическом процессоре, сохраняя замороженную модель всего в 4 битах на вес.
Прослушайте это руководствоОзвучено ИИ · ~2 min
Это сделало возможным кастомизацию моделей с параметрами 65B, на аппаратном обеспечении, которое ранее могло работать лишь с моделями меньше этого размера.
Обычно точная настройка большой модели означает загрузку каждого веса с точностью до 16 бит и их все обновление, что требует огромного объема памяти. QLoRA сочетает в себе две идеи. Сначала он замораживает предварительно обученную модель и квантует ее до 4 бит, сокращая объем памяти примерно в четыре раза. Во-вторых, он использует LoRA: вместо обновления гигантских весовых матриц он добавляет рядом с ними крошечные обучаемые матрицы-адаптеры низкого ранга, поэтому обновляются только несколько миллионов параметров. 4-битная база остается фиксированной, а градиенты проходят только через небольшие адаптеры. Представленный в 2023 году Деттмерсом и его коллегами, QLoRA показал, что точная настройка модели 65B на одном графическом процессоре емкостью 48 ГБ может соответствовать качеству полной 16-битной точной настройки.
Стартап оптимизирует модель 70B Llama на одном графическом процессоре емкостью 48 ГБ для создания помощника по поддержке клиентов под собственным брендом без аренды кластера серверов.
Исследователь с одним потребительским RTX 4090 за одну ночь адаптирует открытую модель к нишевому набору медицинских данных для ответов на вопросы.
Разработчик создает десятки небольших заменяемых адаптеров LoRA для различных задач, использующих одну 4-битную базовую модель, загруженную в память.
Любитель настраивает модель в своих личных журналах чата, чтобы имитировать определенный стиль письма, используя бесплатное оборудование уровня Colab.
4-битная точная настройка стала стандартной практикой, и теперь исследования направлены на еще более низкую точность, включая 2-битные и 1-битные (троичные) представления. Новые схемы квантования, такие как AWQ, GPTQ и HQQ, еще больше повышают точность, а такие методы, как QA-LoRA, направлены на сохранение квантования модели даже после объединения адаптеров. По мере роста количества моделей с открытым весом инструменты, позволяющие любителям точно настраивать модели более 70B на одном игровом графическом процессоре, станут рутиной, что сделает настройку более демократичной.
Бесплатная рассылка
Три проверенных AI-истории каждое утро буднего дня, написанные простым английским. Бесплатно навсегда, без рекламы.
Одно электронное письмо каждый будний день. Отписаться в один клик. Мы никогда не продаем и не передаем ваш адрес.
Проверьте себя
Мгновенная обратная связь по каждому ответу и общий сертификат с проверяемым идентификатором после прохождения курса.
Поддержите бесплатное образование в области искусственного интеллекта. AI Understanding — это некоммерческая организация 501(c)(3). Никакой рекламы и платного доступа. Сделать пожертвование
QLoRA — это метод, который позволяет вам точно настроить массивную языковую модель на одном потребительском графическом процессоре, сохраняя замороженную модель всего в 4 битах на вес. Это сделало возможной настройку моделей с 65B параметрами на оборудовании, которое раньше могло обрабатывать модели лишь части этого размера.
QLoRA хранит замороженные предварительно обученные веса по 4 бита на значение, сокращая объем памяти примерно в четыре раза по сравнению с 16-битным.
Базовая модель заморожена; только внедренные матрицы адаптеров низкого ранга получают обновления градиента, что составляет лишь небольшую часть параметров.
NF4 (NormalFloat 4-битный) — это тип данных, разработанный на основе колоколообразного распределения весов нейронной сети для большей точности, чем простой int4.
Paged optimizers use NVIDIA unified memory to page optimizer states between GPU and CPU memory as needed; the QLoRA paper says this helps manage memory spikes and reduce out-of-memory risk during long-sequence fine-tuning.
During a matrix multiplication, quantized weights are dequantized on the fly to a higher-precision compute dtype (for example, BF16 or FP16 in QLoRA configurations); the temporary higher-precision values are not stored as a full base-model copy.
Продолжайте учиться
Другие руководства, выбранные по этой теме
ДалееСледующее руководство
Точная настройка против RAG против подсказок
Языковой ИИ