Đào tạo tối ưu tính toán Chinchilla
Chinchilla là một phát hiện của DeepMind năm 2022 cho thấy hầu hết các mô hình ngôn ngữ lớn đều chưa được đào tạo kỹ càng: đối với ngân sách điện toán cố định, bạn nên chia tỷ lệ các tham số và dữ liệu gần bằng nhau, chứ không chỉ xây dựng một mô hình lớn hơn.
Tổng quan
It reshaped how the industry balances model size against training data.
Lặn sâu
Bài viết Chinchilla của DeepMind đã xem xét lại việc mở rộng quy mô và đào tạo hơn 400 mô hình để tìm ra sự cân bằng tối ưu về điện toán. Nguyên tắc chung: kích thước mô hình và mã thông báo đào tạo sẽ tăng dần theo từng bước, khoảng 20 mã thông báo đào tạo cho mỗi tham số. Để chứng minh điều đó, họ đã đào tạo Chinchilla, một mô hình 70 tỷ tham số trên 1,4 nghìn tỷ mã thông báo, sử dụng cùng cách tính toán như Gopher 280 tỷ tham số được đào tạo trên ít mã thông báo hơn nhiều. Chinchilla, mặc dù nhỏ hơn bốn lần, nhưng lại vượt trội hơn Gopher, GPT-3 và những gã khổng lồ khác trên hầu hết mọi điểm chuẩn. Bài học đã lật ngược kết luận OpenAI trước đó cho rằng kích thước được ưu tiên hơn dữ liệu, cho thấy nhiều mẫu máy hàng đầu đang gây khó khăn cho hiệu suất do quá lớn và quá thiếu dữ liệu.
Hiểu biết kỹ thuật
Mức giảm độ vừa vặn của Chinchilla là L(N,D) = E + A·N^(-α) + B·D^(-β), với cả α và β đều gần 0,34, nghĩa là các tham số và dữ liệu đóng góp gần như đối xứng. Tối ưu hóa điều này theo ràng buộc tính toán cố định (tính ≈ 6·N·D cho máy biến áp) mang lại kết quả có tỷ lệ bằng nhau. Một mô hình nhỏ hơn, giàu dữ liệu cũng rẻ hơn khi chạy ở dạng suy luận, do đó, lợi thế của nó mang lại trong quá trình triển khai chứ không chỉ trong đào tạo.
Tác động chiến lược
Quyết định rõ ràng hơn
Nó giúp bạn tách biệt các tuyên bố kỹ thuật rõ ràng khỏi ngôn ngữ tiếp thị.
Chi phí và ngân sách
Bạn có thể đặt các câu hỏi triển khai tốt hơn trước khi chi tiền hoặc thời gian.
Nhóm và quy trình làm việc
Các nhóm có sự hiểu biết chung sẽ đưa ra các quyết định về sản phẩm, chính sách và học tập tốt hơn.
Tương lai của đào tạo tối ưu tính toán Chinchilla
Các mô hình hiện đại như Llama 3 cố tình vượt xa tỷ lệ 20 mã thông báo trên mỗi tham số của Chinchilla, đào tạo các mô hình nhỏ trên hàng nghìn tỷ mã thông báo để tạo ra suy luận rẻ, chấp nhận tính toán đào tạo dưới mức tối ưu. Khi dữ liệu tốt ngày càng khan hiếm, sự quan tâm sẽ tăng lên trong các thời kỳ lặp lại, dữ liệu tổng hợp và lọc chất lượng. Chinchilla vẫn là điểm tham chiếu, nhưng mức tối ưu ngày càng phụ thuộc vào chi phí suy luận trọn đời chứ không chỉ là ngân sách đào tạo một lần.
Triển khai trong thế giới thực
Chọn đào tạo mô hình 7 tỷ tham số trên 2 nghìn tỷ mã thông báo thay vì mô hình 30 tỷ với quá ít dữ liệu cho cùng một ngân sách.
Ước tính rằng một mô hình 10 tỷ tham số cần khoảng 200 tỷ mã thông báo để đạt được điểm tối ưu về tính toán.
Chứng minh mô hình được triển khai nhỏ hơn để giảm chi phí suy luận cho mỗi truy vấn trong khi vẫn phù hợp với chất lượng của đối thủ lớn hơn.
Kiểm tra một mô hình hiện có và kết luận rằng nó chưa được đào tạo đầy đủ, sau đó lên kế hoạch cho một đợt đào tạo dài hơn thay vì tăng tham số.
Rủi ro & lan can
Các nhóm khác nhau có thể sử dụng cùng một thuật ngữ một cách khác nhau, vì vậy hãy sớm xác định phạm vi.
Điểm chuẩn có thể trông mạnh mẽ trong khi hiệu suất trong thế giới thực không đồng đều.
Việc bỏ qua các kế hoạch đánh giá và chất lượng dữ liệu thường tạo ra những kết quả mong manh.
Lộ trình thực hiện
Bắt đầu với một định nghĩa đơn giản về kết quả bạn cần.
Chọn một số liệu thành công và một điều kiện thất bại trước khi thử nghiệm.
Chạy một thử nghiệm nhỏ với dữ liệu đại diện chứ không phải một bản demo bóng bẩy.
Tài liệu nơi Đào tạo tối ưu điện toán Chinchilla giúp ích và nơi các phương pháp đơn giản hơn sẽ tốt hơn.
Tiếp tục khám phá
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 Chinchilla Compute-Optimal Training 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
Hướng dẫn tiếp theo
Đào tạo trong thời gian kiểm tra
Câu hỏi thường gặp
What is Chinchilla Compute-Optimal Training?
Chinchilla là một phát hiện của DeepMind năm 2022 cho thấy hầu hết các mô hình ngôn ngữ lớn đều chưa được đào tạo kỹ càng: đối với ngân sách điện toán cố định, bạn nên chia tỷ lệ các tham số và dữ liệu gần bằng nhau, chứ không chỉ xây dựng một mô hình lớn hơn. Nó định hình lại cách ngành cân bằng kích thước mô hình với dữ liệu đào tạo.
Nguyên tắc chung nổi tiếng của Chinchilla về đào tạo tối ưu hóa máy tính là gì?
Các tham số và mã thông báo được DeepMind tìm thấy sẽ có quy mô cùng nhau ở mức khoảng 20 mã thông báo cho mỗi tham số đối với ngân sách tính toán nhất định.
Chinchilla tham số 70B so sánh với Gopher tham số 280B như thế nào?
Được đào tạo trên nhiều mã thông báo hơn với cùng một tính toán, Chinchilla đã đánh bại Gopher lớn hơn nhiều trên hầu hết các điểm chuẩn.
Bài báo Chinchilla tiết lộ vấn đề chính nào về các mô hình lớn trước đây?
Các mô hình như GPT-3 và Gopher có kích thước quá lớn so với dữ liệu huấn luyện của chúng, khiến hiệu suất không đạt được.
Quy tắc Chinchilla gợi ý khoảng bao nhiêu token cho mô hình 10 tỷ tham số?
Với 20 mã thông báo cho mỗi tham số, 10 tỷ tham số tương ứng với khoảng 200 tỷ mã thông báo đào tạo.
Bên cạnh hiệu quả đào tạo, tại sao một mô hình nhỏ hơn, giàu dữ liệu lại hấp dẫn khi triển khai?
Ít tham số hơn có nghĩa là khả năng tính toán trên mỗi truy vấn thấp hơn, do đó tiết kiệm được nhiều lần mỗi khi sử dụng mô hình.