Tiếp theoHướng dẫn tiếp theo
Đầu ra mô hình ngôn ngữ hình mờ
kỹ thuật
HƯỚNG DẪN KỸ THUẬT
Mô hình BitNet 1-bit và ternary
BitNet là dòng nghiên cứu của Microsoft cho thấy rằng các mô hình ngôn ngữ lớn có thể được huấn luyện với trọng số được giới hạn ở mức chỉ 1 bit hoặc ba giá trị trong trường hợp thứ ba.
Nghe hướng dẫn nàyAI thuật lại · ~2 min
Trên trang nàyĐọc trong 2 phút
Tổng quan
This slashes memory and energy use dramatically while keeping surprisingly strong accuracy.
Lặn sâu
Các mô hình thông thường lưu trữ mỗi trọng lượng dưới dạng số 16 bit. BitNet thay thế những thứ này bằng các biểu diễn bit cực thấp. Biến thể BitNet b1.58 có ảnh hưởng sử dụng trọng số ba, mỗi trọng số được giới hạn ở -1, 0 hoặc +1, tính ra khoảng 1,58 bit thông tin trên mỗi trọng số (log cơ sở 2 trên 3). Ý tưởng quan trọng là mô hình được đào tạo từ đầu với những ràng buộc này, không được lượng tử hóa sau đó, do đó, nó học cách trở nên mạnh mẽ với độ chính xác hạn chế. Vì các trọng số chỉ là -1, 0 hoặc +1 nên các phép nhân đắt tiền trong toán ma trận sẽ chuyển thành phép cộng và phép trừ. Kết quả là băng thông bộ nhớ, mức tiêu thụ năng lượng và độ trễ thấp hơn nhiều, với giá trị 0 cũng cho phép độ thưa thớt, đồng thời khớp với các mô hình có độ chính xác hoàn toàn ở kích thước tương đương trên nhiều điểm chuẩn.
Triển khai trong thế giới thực
BitNet b1.58 2B4T của Microsoft chạy hiệu quả trên CPU, cho phép suy luận LLM mà không cần GPU chuyên dụng.
Trợ lý trên thiết bị phù hợp với kiểu máy có khả năng phù hợp với bộ nhớ hạn chế của điện thoại nhờ trọng lượng ~ 1,58 bit.
Giảm năng lượng suy luận và chi phí carbon cho các dịch vụ API khối lượng lớn bằng cách thay thế phép nhân dấu phẩy động bằng phép cộng.
Triển khai biên (IoT, phần cứng nhúng) trong đó trọng số ba yếu tố giúp việc hiểu ngôn ngữ địa phương trở nên khả thi trong phạm vi ngân sách năng lượng eo hẹp.
Tương lai của các mô hình BitNet 1 bit và ternary
BitNet hướng tới một tương lai nơi các mô hình có khả năng chạy trên điện thoại, máy tính xách tay và thiết bị biên không có GPU trung tâm dữ liệu. Nút thắt chính là phần cứng: các chip ngày nay được chế tạo cho phép toán dấu phẩy động, do đó, các máy gia tốc chuyên dụng được tối ưu hóa cho các phép toán chỉ bổ sung bậc ba có thể nhân lên nhiều lợi ích. Mong đợi nhiều kiến trúc 1 bit nguyên bản hơn, các mô hình kiểu BitNet lớn hơn và khả năng tích hợp vào các trợ lý trên thiết bị, nơi thời lượng pin và quyền riêng tư đóng vai trò quan trọng, có khả năng định hình lại tính kinh tế của suy luận AI.
Đưa nó vào thực tế
Tại sao nó quan trọng
- Chi phí và ngân sách. Các quyết định về kiến trúc sẽ thúc đẩy hiệu suất và chi phí vận hành trong nhiều năm.
- Quyết định rõ ràng hơn. Giáo dục kỹ thuật giúp các nhóm chọn nhóm phù hợp chứ không chỉ nhóm mới nhất.
- Kiểm soát chất lượng. Lựa chọn kỹ thuật tốt hơn làm giảm sự cố về độ tin cậy trong sản xuất.
coi chừng
- Tối ưu hóa một điểm chuẩn có thể che giấu những điểm yếu của hệ thống rộng hơn.
- Chi phí cơ sở hạ tầng và bảo trì thường được đánh giá thấp.
- Khoảng cách về bảo mật và khả năng quan sát có thể tăng lên khi hệ thống trở nên phức tạp hơn.
Các bước tiếp theo
- Xác định các mục tiêu về độ trễ, chất lượng và chi phí trước khi triển khai.
- Điểm chuẩn trong điều kiện tải và dữ liệu thực tế.
- Giám sát thiết bị về lỗi, độ lệch và tác động của người dùng.
- Chuẩn bị đường dẫn khôi phục và ứng phó sự cố trước khi mở rộng quy mô.
Tiếp tục khám phá
Bản tin miễn phí
Nhận bản tóm tắt AI hàng ngày
Ba câu chuyện AI đã được xác minh vào mỗi buổi sáng các ngày trong tuần, được viết bằng tiếng Anh đơn giản. Miễn phí mãi mãi, không có quảng cáo.
Một email mỗi ngày trong tuần. Hủy đăng ký trong một cú nhấp chuột. Chúng tôi không bao giờ bán hoặc chia sẻ địa chỉ của bạn.
Tự kiểm tra
Take the 1-Bit and Ternary BitNet Models quiz
Phản hồi tức thì về mọi câu trả lời và chứng chỉ có thể chia sẻ với ID có thể xác minh sau khi bạn vượt qua khóa học.
Hỗ trợ giáo dục AI miễn phí. AI Understanding là tổ chức phi lợi nhuận 501(c)(3) — không bao giờ có quảng cáo, không có tường phí. Hãy quyên góp
Câu hỏi thường gặp
What is 1-Bit and Ternary BitNet Models?
BitNet là dòng nghiên cứu của Microsoft cho thấy rằng các mô hình ngôn ngữ lớn có thể được huấn luyện với trọng số được giới hạn ở mức chỉ 1 bit hoặc ba giá trị trong trường hợp thứ ba. Điều này làm giảm đáng kể mức sử dụng bộ nhớ và năng lượng trong khi vẫn giữ được độ chính xác cao đáng kinh ngạc.
Tại sao BitNet b1.58 được mô tả là sử dụng khoảng 1,58 bit cho mỗi trọng lượng?
Trọng số bậc ba lấy một trong ba giá trị và việc biểu diễn ba trạng thái yêu cầu log cơ số 2 trên 3, khoảng 1,58 bit.
Điều gì làm cho hoạt động ma trận của BitNet rẻ hơn so với các mô hình tiêu chuẩn?
Với các trọng số được giới hạn ở -1, 0 và +1, việc nhân với trọng số sẽ giảm thành cộng, trừ hoặc bỏ qua một giá trị, tránh các phép nhân dấu phẩy động tốn kém.
Trong quá trình đào tạo, BitNet cập nhật trọng số như thế nào mặc dù bước lượng tử hóa không thể phân biệt được?
BitNet giữ một bản sao trọng số chính có độ chính xác cao hơn và sử dụng công cụ ước tính xuyên suốt để chuyển độ dốc thông qua lượng tử hóa, cho phép truyền ngược bình thường.
Việc cho phép giá trị 0 (bậc ba, không phải nhị phân thuần túy) mang lại lợi ích gì?
Trạng thái 0 cho phép tắt một số kết nối một cách hiệu quả, gây ra tình trạng thưa thớt có thể được khai thác để đạt hiệu quả cao hơn.
Thách thức phần cứng chính để đạt được hiệu quả tối đa của BitNet là gì?
Các máy gia tốc ngày nay được thiết kế xoay quanh phép nhân dấu phẩy động, do đó cần có phần cứng chuyên dụng cho các hoạt động dựa trên phép cộng bậc ba để khai thác hoàn toàn các lợi ích về tốc độ và năng lượng của BitNet.
Tiếp tục học hỏi
Hướng dẫn liên quan
Đã chọn thêm hướng dẫn cho chủ đề này