QLoRA и 4-битная точная настройка
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.
Обзор
Это сделало возможным кастомизацию моделей с параметрами 65B, на аппаратном обеспечении, которое ранее могло работать лишь с моделями меньше этого размера.
Глубокое погружение
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.
Техническая информация
QLoRA представила три трюка. NF4 (4-битный NormalFloat) — это тип данных, оптимизированный для распределения нейронных весов по колоколообразной кривой, обеспечивающий лучшую точность, чем обычный int4. Двойное квантование сжимает сами константы квантования, экономя дополнительную память. Страничные оптимизаторы используют объединенную память графического процессора и процессора для поглощения всплесков во время длинных последовательностей, предотвращая сбои из-за нехватки памяти. Во время прямого и обратного прохода 4-битные веса своевременно деквантуются до 16-битных для умножения матрицы, а затем отбрасываются.
Стратегическое воздействие
Скорость и масштаб
Языковые рабочие процессы могут развиваться быстрее, не жертвуя при этом согласованностью.
Доступ и охват
Это расширяет доступ к различным языкам и стилям общения.
Более четкие решения
Команды могут тратить больше времени на принятие решений, в то время как автоматизация занимается повторением.
Будущее QLoRA и 4-битной точной настройки
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.
Реальная реализация
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.
Риски и ограничения
Галлюцинированные факты могут незаметно войти в отчеты, потоки поддержки или результаты исследований.
Незамедлительная чувствительность может привести к противоречивым результатам по схожим запросам.
Конфиденциальные текстовые данные могут быть раскрыты, если контроль доступа слабый.
Дорожная карта реализации
Перед развертыванием определите выходной формат, тон и стандарты качества.
Наземные ответы с помощью надежных источников, когда точность имеет значение.
Обеспечьте контрольную точку человеческого контроля для получения важных результатов.
Отслеживайте закономерности сбоев и регулярно обновляйте подсказки или рабочие процессы.
Продолжайте исследовать
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 QLoRA and 4-Bit Fine-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
Следующее руководство
Точная настройка выборки отклонения
Часто задаваемые вопросы
Что такое QLoRA и 4-битная настройка?
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.
Какова основная идея экономии памяти, лежащая в основе «4-битной» части QLoRA?
QLoRA хранит замороженные предварительно обученные веса по 4 бита на значение, сокращая объем памяти примерно в четыре раза по сравнению с 16-битным.
Какие параметры на самом деле обновляются градиентным спуском во время тонкой настройки QLoRA?
Базовая модель заморожена; только внедренные матрицы адаптеров низкого ранга получают обновления градиента, что составляет лишь небольшую часть параметров.
Что такое NF4 в контексте QLoRA?
NF4 (NormalFloat 4-битный) — это тип данных, разработанный на основе колоколообразного распределения весов нейронной сети для большей точности, чем простой int4.
Какую проблему решают «оптимизаторы страниц» в QLoRA?
Страничные оптимизаторы используют унифицированную память графического процессора и процессора для поглощения скачков памяти, предотвращая сбои из-за нехватки памяти во время обучения на длинных входных данных.
Когда во время обучения 4-битные веса преобразуются обратно в более высокую точность?
4-битные веса деквантуются до 16-битной точности на лету для каждого умножения матрицы, затем копия более высокой точности выбрасывается для экономии памяти.