ภาพรวม
YaRN (ยังมีส่วนขยาย RoPE อีกอันหนึ่ง) เป็นเทคนิคที่มีประสิทธิภาพในการขยายหน้าต่างบริบทที่ใช้งานได้ของโมเดลไปไกลเกินกว่าที่ได้รับการฝึกฝน โดยจะปรับขนาดการฝังตำแหน่งแบบหมุนใหม่อย่างชาญฉลาด เพื่อให้โมเดลที่ผ่านการฝึกฝน เช่น โทเค็น 4K สามารถรองรับ 32K หรือมากกว่านั้นได้ด้วยการปรับแต่งแบบละเอียดเพียงเล็กน้อย
YaRN และ Context length Extension เป็นองค์ประกอบทางเทคนิคที่ส่งผลต่อคุณภาพของโมเดล ต้นทุนโครงสร้างพื้นฐาน เวลาแฝง และความน่าเชื่อถือในวงกว้าง
เจาะลึก
LLM ที่ทันสมัยส่วนใหญ่เข้ารหัสตำแหน่งโทเค็นด้วย RoPE (Rotary Position Embeddings) ซึ่งจะหมุนคิวรีและเวกเตอร์คีย์ตามมุมที่เชื่อมโยงกับตำแหน่ง เมื่อคุณป้อนลำดับที่ยาวกว่าระยะเวลาการฝึก การหมุนเหล่านี้จะเข้าสู่ช่วงที่มองไม่เห็นและแบบจำลองจะพัง YaRN ซึ่งเปิดตัวในปี 2023 โดย Bowen Peng และผู้ทำงานร่วมกัน แก้ไขปัญหานี้ด้วยการแก้ไขแบบ NTK-aware ที่ใช้ต่อความถี่ โดยปล่อยให้มิติความถี่สูง (ซึ่งจับความสัมพันธ์ในท้องถิ่นและช่วงสั้น) ส่วนใหญ่ไม่ถูกแตะต้องในขณะที่แก้ไขมิติความถี่ต่ำ (ซึ่งติดตามตำแหน่งระยะไกล) YaRN ยังเพิ่มการปรับอุณหภูมิตามความสนใจเพื่อตอบโต้การเปลี่ยนแปลงเอนโทรปีที่มาจากบริบทที่ยาวกว่า ผลลัพธ์ที่ได้คือประสิทธิภาพการทำงานในบริบทระยะยาวที่แข็งแกร่ง หลังจากปรับแต่งข้อมูลและขั้นตอนเพียงเล็กน้อยที่แนวทางที่ไร้เดียงสาต้องการ
ข้อมูลเชิงลึกทางเทคนิค
RoPE กำหนดความถี่ในการหมุนของมิติการฝังแต่ละมิติ การประมาณค่าเชิงเส้นแบบไร้เดียงสาจะบีบอัดความถี่ทั้งหมดเท่าๆ กัน ส่งผลเสียต่อมิติความถี่สูงที่เข้ารหัสรายละเอียดเฉพาะจุดอย่างละเอียด YaRN ใช้ฟังก์ชันทางลาดเพื่อประมาณค่าเฉพาะขนาดความถี่ต่ำ (ความยาวคลื่นยาว) ในขณะที่รักษาขนาดความถี่สูงไว้ บวกกับการปรับขนาดอุณหภูมิความสนใจ 1/sqrt(t) ที่ช่วยให้ความคมชัดของ softmax คงที่เมื่อความยาวของลำดับเพิ่มขึ้น วิธีการแบบ NTK แบบแยกส่วนนี้ขยายบริบทโดยมีความเสื่อมโทรมน้อยลงมาก
การเรียนรู้ YaRN และการขยายความยาวบริบท
YaRN (ยังมีส่วนขยาย RoPE อีกอันหนึ่ง) เป็นเทคนิคที่มีประสิทธิภาพในการขยายหน้าต่างบริบทที่ใช้งานได้ของโมเดลไปไกลเกินกว่าที่ได้รับการฝึกฝน โดยจะปรับขนาดการฝังตำแหน่งแบบหมุนใหม่อย่างชาญฉลาด เพื่อให้โมเดลที่ผ่านการฝึกฝน เช่น โทเค็น 4K สามารถรองรับ 32K หรือมากกว่านั้นได้ด้วยการปรับแต่งแบบละเอียดเพียงเล็กน้อย YaRN และ Context length Extension เป็นองค์ประกอบทางเทคนิคที่ส่งผลต่อคุณภาพของโมเดล ต้นทุนโครงสร้างพื้นฐาน เวลาแฝง และความน่าเชื่อถือในวงกว้าง หากต้องการสร้างความเข้าใจอย่างลึกซึ้ง ให้ถือว่า YaRN และ Context length Extension เป็นรูปแบบการดำเนินงาน ไม่ใช่คุณลักษณะเดียว: กำหนดผลลัพธ์ที่ต้องการ ชี้แจงสมมติฐาน และแยกสิ่งที่ระบบสามารถทำได้อย่างน่าเชื่อถือจากสิ่งที่ยังต้องใช้วิจารณญาณจากผู้เชี่ยวชาญ
ในทางปฏิบัติ ทีมที่แข็งแกร่งที่ใช้ YaRN และ Context length Extension จะปรับสถาปัตยกรรม ข้อมูล และตัวเลือกโครงสร้างพื้นฐานให้เหมาะสมโดยเทียบกับความน่าเชื่อถือและต้นทุน โดยจะบันทึกเกณฑ์ความสำเร็จที่ชัดเจน ทดสอบกับข้อมูลและขั้นตอนการทำงานที่สมจริง และทำซ้ำตามรูปแบบความล้มเหลวที่สังเกตได้ แทนที่จะชนะการวัดประสิทธิภาพเพียงครั้งเดียว นี่คือจุดที่ความเข้าใจทางทฤษฎีกลายเป็นความสามารถที่คงทนของผลิตภัณฑ์ นโยบาย และการดำเนินงาน
การตัดสินใจด้านสถาปัตยกรรมขับเคลื่อนประสิทธิภาพและต้นทุนการดำเนินงานเป็นเวลาหลายปี ในเวลาเดียวกัน การเพิ่มประสิทธิภาพเกณฑ์มาตรฐานหนึ่งรายการสามารถซ่อนจุดอ่อนของระบบในวงกว้างได้ แนวทางที่ยืดหยุ่นที่สุดคือการรวมความเร็วของการทดลองเข้ากับวินัยในการกำกับดูแล: ดำเนินการนำร่อง จับหลักฐาน เผยแพร่บันทึกการตัดสินใจ และอัปเดตการป้องกันอย่างต่อเนื่องเมื่อพฤติกรรมของโมเดล ความคาดหวังของผู้ใช้ และข้อกำหนดด้านกฎระเบียบมีการเปลี่ยนแปลง
ผลกระทบเชิงกลยุทธ์
การตัดสินใจด้านสถาปัตยกรรมขับเคลื่อนประสิทธิภาพและต้นทุนการดำเนินงานเป็นเวลาหลายปี
การตัดสินใจด้านสถาปัตยกรรมขับเคลื่อนประสิทธิภาพและต้นทุนการดำเนินงานเป็นเวลาหลายปี ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ
การศึกษาด้านเทคนิคช่วยให้ทีมเลือกกลุ่มที่เหมาะสม ไม่ใช่แค่กลุ่มใหม่ล่าสุด
การศึกษาด้านเทคนิคช่วยให้ทีมเลือกกลุ่มที่เหมาะสม ไม่ใช่แค่กลุ่มใหม่ล่าสุด ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ
ตัวเลือกทางวิศวกรรมที่ดีกว่าจะช่วยลดเหตุการณ์ด้านความน่าเชื่อถือในการผลิต
ตัวเลือกทางวิศวกรรมที่ดีกว่าจะช่วยลดเหตุการณ์ด้านความน่าเชื่อถือในการผลิต ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ
การใช้งานจริงในโลกแห่งความเป็นจริง
การขยายโมเดลบริบท 4K แบบเปิดเป็น 32K หรือ 128K สำหรับการตอบคำถามเกี่ยวกับเอกสารขนาดยาวพร้อมการปรับแต่งแบบสั้นๆ
การเปิดใช้งานระบบที่เสริมการดึงข้อมูลเพื่อนำเข้าข้อความที่ต่อกันจำนวนมากโดยไม่มีการตัดทอน
ขับเคลื่อนผู้ช่วยโค้ดที่ต้องการไฟล์พื้นที่เก็บข้อมูลขนาดใหญ่ทั้งหมดหรือหลายไฟล์ในพร้อมท์เดียว
การปรับโมเดลพื้นฐานสำหรับการสนทนาหลายรอบที่ยาวนานซึ่งสะสมประวัติการแชทจำนวนมาก
รูปแบบการดำเนินงาน
YaRN และการขยายความยาวบริบทในทางปฏิบัติ
การขยายโมเดลบริบท 4K แบบเปิดเป็น 32K หรือ 128K สำหรับการตอบคำถามเกี่ยวกับเอกสารขนาดยาวพร้อมการปรับแต่งแบบละเอียดสั้นๆ
การขยายโมเดลบริบท 4K แบบเปิดเป็น 32K หรือ 128K สำหรับการตอบคำถามในเอกสารขนาดยาวด้วยการปรับแต่งสั้นๆ ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
YaRN และการขยายความยาวบริบทในทางปฏิบัติ
การเปิดใช้งานระบบที่เสริมการดึงข้อมูลเพื่อนำเข้าข้อความที่ต่อกันจำนวนมากโดยไม่มีการตัดทอน
การเปิดใช้งานระบบเสริมการดึงข้อมูลเพื่อนำเข้าข้อความที่ต่อกันจำนวนมากโดยไม่มีการตัดทอน ทีมมักจะได้ผลลัพธ์ที่ดีกว่าเมื่อกำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
YaRN และการขยายความยาวบริบทในทางปฏิบัติ
ขับเคลื่อนผู้ช่วยโค้ดที่ต้องการไฟล์พื้นที่เก็บข้อมูลขนาดใหญ่ทั้งหมดหรือหลายไฟล์ในพร้อมท์เดียว
การจ่ายไฟให้กับผู้ช่วยโค้ดที่ต้องการไฟล์พื้นที่เก็บข้อมูลขนาดใหญ่ทั้งหมดหรือหลายไฟล์ในการแจ้งเตือนครั้งเดียว ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า เก็บเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
YaRN และการขยายความยาวบริบทในทางปฏิบัติ
การปรับโมเดลพื้นฐานสำหรับการสนทนาหลายรอบที่ยาวนานซึ่งสะสมประวัติการแชทจำนวนมาก
การปรับโมเดลพื้นฐานสำหรับการสนทนาหลายรอบที่ยาวนานซึ่งสะสมประวัติการแชทจำนวนมาก ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
ความเสี่ยงและรั้ว
การเพิ่มประสิทธิภาพเกณฑ์มาตรฐานหนึ่งรายการสามารถซ่อนจุดอ่อนของระบบในวงกว้างได้
ต้นทุนโครงสร้างพื้นฐานและการบำรุงรักษามักถูกประเมินต่ำไป
ช่องว่างด้านความปลอดภัยและความสามารถในการสังเกตสามารถเพิ่มขึ้นได้เมื่อระบบมีความซับซ้อนมากขึ้น
แผนงานการดำเนินงาน
กำหนดเป้าหมายเวลาแฝง คุณภาพ และต้นทุนก่อนนำไปใช้งาน
กำหนดเป้าหมายเวลาแฝง คุณภาพ และต้นทุนก่อนนำไปใช้งาน ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น
เกณฑ์มาตรฐานภายใต้สภาวะโหลดและข้อมูลจริง
เกณฑ์มาตรฐานภายใต้สภาวะโหลดและข้อมูลจริง ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น
การตรวจสอบเครื่องมือเพื่อหาข้อผิดพลาด การเบี่ยงเบน และผลกระทบต่อผู้ใช้
การตรวจสอบเครื่องมือเพื่อหาข้อผิดพลาด การเบี่ยงเบน และผลกระทบต่อผู้ใช้ ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น
เตรียมเส้นทางการย้อนกลับและการตอบสนองต่อเหตุการณ์ก่อนปรับขนาด
เตรียมเส้นทางการย้อนกลับและการตอบสนองต่อเหตุการณ์ก่อนปรับขนาด ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น