ภาพรวม
กฎหมายการปรับขนาด Chinchilla จาก DeepMind ในปี 2022 แสดงให้เห็นว่าโมเดลภาษาขนาดใหญ่ส่วนใหญ่ไม่ได้รับการฝึกอบรมที่ไม่ดี สำหรับงบประมาณการประมวลผลคงที่ คุณควรปรับขนาดโมเดลและข้อมูลการฝึกโดยประมาณในสัดส่วนที่เท่ากัน สิ่งสำคัญคือเนื่องจากได้ให้คำนิยามใหม่ว่าขนาดแบบจำลอง 'เหมาะสมที่สุด' หมายถึงอะไร และปรับโฉมวิธีการประมวลผลของห้องปฏิบัติการ
Chinchilla Scaling Laws เป็นส่วนหนึ่งของกลุ่มภาษา-AI ที่ใช้ในการอ่าน สร้าง จำแนก และแปลงข้อความและคำพูดตามขนาด
เจาะลึก
ก่อน Chinchilla แนวโน้มคือการสร้างแบบจำลองที่ใหญ่กว่าเดิม (เช่น พารามิเตอร์ 175B GPT-3) ในขณะที่ฝึกกับข้อมูลจำนวนที่ค่อนข้างน้อย DeepMind ฝึกฝนโมเดลมากกว่า 400 โมเดลในขนาดและงบประมาณข้อมูลที่หลากหลาย จากนั้นปรับเส้นโค้งที่คาดการณ์การสูญเสียให้เป็นฟังก์ชันของพารามิเตอร์และโทเค็นภายใต้งบประมาณการประมวลผลคงที่ (FLOP) การค้นพบของพวกเขา: พารามิเตอร์และโทเค็นการฝึกอบรมควรปรับขนาดร่วมกันโดยประมาณอัตราส่วน 1 ต่อ 1 ซึ่งหมายถึงข้อมูลการฝึกอบรมประมาณ 20 โทเค็นต่อพารามิเตอร์ เพื่อพิสูจน์สิ่งนี้ พวกเขาได้ฝึก Chinchilla ซึ่งเป็นโมเดลพารามิเตอร์ 70B บนโทเค็น 1.4 ล้านล้านโทเค็น ซึ่งมีประสิทธิภาพเหนือกว่า Gopher พารามิเตอร์ 280B ที่ใหญ่กว่ามากแม้จะใช้การคำนวณเดียวกันก็ตาม เนื่องจากได้รับการฝึกฝนโดยใช้ข้อมูลมากกว่ามาก
ข้อมูลเชิงลึกทางเทคนิค
กฎหมายมาจากการปรับฟังก์ชันการสูญเสียแบบพาราเมตริกให้เหมาะสม L(N, D) โดยที่ N คือพารามิเตอร์และ D คือโทเค็น รวมถึงข้อกำหนดการสูญเสียที่ลดไม่ได้ ขนาดแบบจำลอง และขนาดข้อมูล การลดการสูญเสียให้เหลือน้อยที่สุดภายใต้ข้อจำกัดในการประมวลผล (การคำนวณจะมีสัดส่วนโดยประมาณกับ N คูณ D) ทำให้ได้ผลลัพธ์ที่ N และ D ที่เหมาะสมที่สุดเติบโตเป็นกำลังของการคำนวณที่มีเลขชี้กำลังที่คล้ายกัน ดังนั้นอัตราส่วนที่เหมาะสมในการประมวลผลจะอยู่ที่ประมาณ 20 โทเค็นต่อพารามิเตอร์
การเรียนรู้กฎมาตราส่วนของชินชิลล่า
กฎหมายการปรับขนาด Chinchilla จาก DeepMind ในปี 2022 แสดงให้เห็นว่าโมเดลภาษาขนาดใหญ่ส่วนใหญ่ไม่ได้รับการฝึกอบรมที่ไม่ดี สำหรับงบประมาณการประมวลผลคงที่ คุณควรปรับขนาดโมเดลและข้อมูลการฝึกโดยประมาณในสัดส่วนที่เท่ากัน สิ่งสำคัญคือเนื่องจากได้ให้คำนิยามใหม่ว่าขนาดแบบจำลอง 'เหมาะสมที่สุด' หมายถึงอะไร และปรับโฉมวิธีการประมวลผลของห้องปฏิบัติการ Chinchilla Scaling Laws เป็นส่วนหนึ่งของกลุ่มภาษา-AI ที่ใช้ในการอ่าน สร้าง จำแนก และแปลงข้อความและคำพูดตามขนาด เพื่อสร้างความเข้าใจอย่างลึกซึ้ง ให้ถือว่า Chinchilla Scaling Laws เป็นรูปแบบการดำเนินงาน ไม่ใช่คุณลักษณะเดียว: กำหนดผลลัพธ์ที่ต้องการ ชี้แจงสมมติฐาน และแยกสิ่งที่ระบบสามารถทำได้อย่างน่าเชื่อถือจากสิ่งที่ยังต้องใช้วิจารณญาณจากผู้เชี่ยวชาญ
ในทางปฏิบัติ ทีมที่แข็งแกร่งที่ใช้ Chinchilla Scaling Laws จะออกแบบพร้อมท์ การดึงข้อมูล และการตรวจสอบลูปให้เป็นระบบการสื่อสารแบบรวมระบบเดียว โดยจะบันทึกเกณฑ์ความสำเร็จที่ชัดเจน ทดสอบกับข้อมูลและขั้นตอนการทำงานที่สมจริง และทำซ้ำตามรูปแบบความล้มเหลวที่สังเกตได้ แทนที่จะชนะการวัดประสิทธิภาพเพียงครั้งเดียว นี่คือจุดที่ความเข้าใจทางทฤษฎีกลายเป็นความสามารถที่คงทนของผลิตภัณฑ์ นโยบาย และการดำเนินงาน
ขั้นตอนการทำงานของภาษาสามารถดำเนินไปได้เร็วขึ้นโดยไม่กระทบต่อความสม่ำเสมอ ในขณะเดียวกัน ข้อเท็จจริงที่หลอนประสาทสามารถเข้าสู่รายงาน กระแสสนับสนุน หรือผลการวิจัยได้อย่างเงียบๆ แนวทางที่ยืดหยุ่นที่สุดคือการรวมความเร็วของการทดลองเข้ากับวินัยในการกำกับดูแล: ดำเนินการนำร่อง จับหลักฐาน เผยแพร่บันทึกการตัดสินใจ และอัปเดตการป้องกันอย่างต่อเนื่องเมื่อพฤติกรรมของโมเดล ความคาดหวังของผู้ใช้ และข้อกำหนดด้านกฎระเบียบมีการเปลี่ยนแปลง
ผลกระทบเชิงกลยุทธ์
ขั้นตอนการทำงานของภาษาสามารถดำเนินไปได้เร็วขึ้นโดยไม่กระทบต่อความสม่ำเสมอ
ขั้นตอนการทำงานของภาษาสามารถดำเนินไปได้เร็วขึ้นโดยไม่กระทบต่อความสม่ำเสมอ ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ
ขยายการเข้าถึงภาษาและรูปแบบการสื่อสาร
ขยายการเข้าถึงภาษาและรูปแบบการสื่อสาร ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ
ทีมสามารถใช้เวลามากขึ้นในการตัดสิน ในขณะที่ระบบอัตโนมัติจัดการกับการทำซ้ำ
ทีมสามารถใช้เวลามากขึ้นในการตัดสิน ในขณะที่ระบบอัตโนมัติจัดการกับการทำซ้ำ ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ
การใช้งานจริงในโลกแห่งความเป็นจริง
Chinchilla พารามิเตอร์ 70B ของ DeepMind เอาชนะ Gopher 280B บนการวัดประสิทธิภาพโดยใช้การประมวลผลที่เท่าเทียมกัน โดยการฝึกอบรมเกี่ยวกับข้อมูลที่มากกว่ามาก
ให้คำแนะนำทีมจัดงบประมาณโทเค็นการฝึกอบรมประมาณ 20 รายการต่อพารามิเตอร์เมื่อวางแผนแบบจำลองตั้งแต่เริ่มต้น
การระบุโมเดลที่มีขนาดเล็กลงและมีข้อมูลมากมาย เช่น LLaMA ซึ่งมีราคาถูกกว่าเมื่อเรียกใช้ ณ เวลาอนุมาน
การประมาณว่าแบบจำลองที่วางแผนไว้นั้น 'ยังไม่ผ่านการฝึกอบรม' และจะได้รับประโยชน์จากข้อมูลเพิ่มเติมมากกว่าพารามิเตอร์เพิ่มเติมหรือไม่
รูปแบบการดำเนินงาน
กฎหมายมาตราส่วน Chinchilla ในทางปฏิบัติ
Chinchilla พารามิเตอร์ 70B ของ DeepMind เอาชนะ Gopher 280B บนการวัดประสิทธิภาพโดยใช้การประมวลผลที่เท่าเทียมกัน โดยการฝึกกับข้อมูลที่มากกว่ามาก
Chinchilla พารามิเตอร์ 70B ของ DeepMind เอาชนะ Gopher 280B บนการวัดประสิทธิภาพโดยใช้การประมวลผลที่เท่าเทียมกัน โดยการฝึกอบรมเกี่ยวกับข้อมูลที่มากกว่าปกติ ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
กฎหมายมาตราส่วน Chinchilla ในทางปฏิบัติ
ให้คำแนะนำทีมจัดงบประมาณโทเค็นการฝึกอบรมประมาณ 20 รายการต่อพารามิเตอร์เมื่อวางแผนแบบจำลองตั้งแต่เริ่มต้น
การแนะนำทีมให้จัดงบประมาณโทเค็นการฝึกอบรมประมาณ 20 รายการต่อพารามิเตอร์เมื่อวางแผนแบบจำลองตั้งแต่เริ่มต้น ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
กฎหมายมาตราส่วน Chinchilla ในทางปฏิบัติ
การระบุโมเดลที่มีขนาดเล็กลงและมีข้อมูลมากมาย เช่น LLaMA ซึ่งมีราคาถูกกว่าเมื่อเรียกใช้ ณ เวลาอนุมาน
การระบุโมเดลที่มีขนาดเล็กลงและมีข้อมูลมากมาย เช่น LLaMA ซึ่งมีราคาถูกกว่าในการทำงานในเวลาอนุมาน ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
กฎหมายมาตราส่วน Chinchilla ในทางปฏิบัติ
การประมาณว่าแบบจำลองที่วางแผนไว้นั้น 'ยังไม่ผ่านการฝึกอบรม' และจะได้รับประโยชน์จากข้อมูลเพิ่มเติมมากกว่าพารามิเตอร์เพิ่มเติมหรือไม่
การประมาณว่าแบบจำลองที่วางแผนไว้นั้น 'ยังไม่ได้รับการฝึกฝน' และจะได้รับประโยชน์จากข้อมูลเพิ่มเติมมากกว่าพารามิเตอร์พิเศษหรือไม่ ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งการเพิ่มผลผลิตและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
ความเสี่ยงและรั้ว
ข้อเท็จจริงที่หลอนประสาทสามารถเข้าสู่รายงาน กระแสสนับสนุน หรือผลการวิจัยได้อย่างเงียบๆ
ความละเอียดอ่อนของการแจ้งเตือนสามารถสร้างผลลัพธ์ที่ไม่สอดคล้องกันในคำขอที่คล้ายกัน
ข้อมูลข้อความที่ละเอียดอ่อนอาจถูกเปิดเผยหากการควบคุมการเข้าถึงอ่อนแอ
แผนงานการดำเนินงาน
กำหนดรูปแบบเอาต์พุต โทนเสียง และมาตรฐานคุณภาพก่อนเปิดตัว
กำหนดรูปแบบเอาต์พุต โทนเสียง และมาตรฐานคุณภาพก่อนเปิดตัว ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น
การตอบสนองภาคพื้นดินกับแหล่งข้อมูลที่เชื่อถือได้เมื่อใดก็ตามที่ความแม่นยำมีความสำคัญ
การตอบสนองภาคพื้นดินกับแหล่งข้อมูลที่เชื่อถือได้เมื่อใดก็ตามที่ความแม่นยำมีความสำคัญ ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น
รักษาจุดตรวจสอบการตรวจสอบโดยมนุษย์สำหรับผลลัพธ์ที่มีเดิมพันสูง
รักษาจุดตรวจสอบการตรวจสอบโดยมนุษย์สำหรับผลลัพธ์ที่มีเดิมพันสูง ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น
ติดตามรูปแบบความล้มเหลวและฝึกอบรมพร้อมท์หรือเวิร์กโฟลว์เป็นประจำ
ติดตามรูปแบบความล้มเหลวและฝึกอบรมพร้อมท์หรือเวิร์กโฟลว์เป็นประจำ ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น