Tổng quan
Luật chia tỷ lệ Chinchilla, từ DeepMind vào năm 2022, cho thấy rằng hầu hết các mô hình ngôn ngữ lớn đều chưa được đào tạo kỹ càng: đối với ngân sách tính toán cố định, bạn nên chia tỷ lệ kích thước mô hình và dữ liệu đào tạo theo tỷ lệ gần bằng nhau. Điều này quan trọng vì nó đã xác định lại ý nghĩa của kích thước mô hình 'tối ưu' và định hình lại cách các phòng thí nghiệm chi tiêu điện toán.
Luật chia tỷ lệ Chinchilla là một phần của ngăn xếp ngôn ngữ-AI được sử dụng để đọc, tạo, phân loại và chuyển đổi văn bản và giọng nói trên quy mô lớn.
Lặn sâu
Trước Chinchilla, xu hướng là xây dựng các mô hình ngày càng lớn hơn (như GPT-3 tham số 175B) trong khi đào tạo trên lượng dữ liệu tương đối khiêm tốn. DeepMind đã đào tạo hơn 400 mô hình trên nhiều quy mô và ngân sách dữ liệu, sau đó điều chỉnh các đường cong dự đoán tổn thất dưới dạng hàm của các tham số và mã thông báo trong ngân sách tính toán cố định (FLOP). Phát hiện của họ: các tham số và mã thông báo đào tạo phải mở rộng cùng nhau, tỷ lệ gần đúng là 1 trên 1, ngụ ý khoảng 20 mã thông báo dữ liệu đào tạo cho mỗi tham số. Để chứng minh điều đó, họ đã đào tạo Chinchilla, một mô hình tham số 70B trên 1,4 nghìn tỷ mã thông báo, vượt trội hơn nhiều so với Gopher tham số 280B lớn hơn nhiều mặc dù sử dụng cùng một tính toán vì nó được đào tạo trên nhiều dữ liệu hơn.
Hiểu biết kỹ thuật
Các luật này xuất phát từ việc điều chỉnh hàm mất tham số L(N, D) trong đó N là tham số và D là mã thông báo, bao gồm các thuật ngữ mất mát không thể giảm bớt, kích thước mô hình và kích thước dữ liệu. Việc giảm thiểu tổn thất do ràng buộc tính toán (tính toán gần như tỷ lệ với N nhân D) mang lại kết quả là cả N và D tối ưu đều tăng dưới dạng lũy thừa tính toán với số mũ tương tự nhau, do đó tỷ lệ tính toán-tối ưu duy trì ở mức gần 20 mã thông báo cho mỗi tham số.
Nắm vững luật về tỷ lệ chinchilla
Luật chia tỷ lệ Chinchilla, từ DeepMind vào năm 2022, cho thấy rằng hầu hết các mô hình ngôn ngữ lớn đều chưa được đào tạo kỹ càng: đối với ngân sách tính toán cố định, bạn nên chia tỷ lệ kích thước mô hình và dữ liệu đào tạo theo tỷ lệ gần bằng nhau. Điều này quan trọng vì nó đã xác định lại ý nghĩa của kích thước mô hình 'tối ưu' và định hình lại cách các phòng thí nghiệm chi tiêu điện toán. Luật chia tỷ lệ Chinchilla là một phần của ngăn xếp ngôn ngữ-AI được sử dụng để đọc, tạo, phân loại và chuyển đổi văn bản và giọng nói trên quy mô lớn. Để xây dựng sự hiểu biết sâu sắc, hãy coi Luật Chinchilla Scaling như một mô hình hoạt động chứ không phải một tính năng duy nhất: xác định kết quả mong muốn, làm rõ các giả định và tách biệt những gì hệ thống có thể làm một cách đáng tin cậy với những gì vẫn cần đến sự đánh giá của chuyên gia.
Trong thực tế, các nhóm mạnh sử dụng Luật Chinchilla Scaling sẽ thiết kế các lời nhắc, truy xuất và vòng lặp xem xét như một hệ thống liên lạc tích hợp. Họ ghi lại các tiêu chí thành công rõ ràng, kiểm tra dựa trên dữ liệu và quy trình làm việc thực tế, đồng thời lặp lại dựa trên các kiểu thất bại được quan sát thay vì chiến thắng điểm chuẩn một lần. Đây là nơi sự hiểu biết về mặt lý thuyết biến thành khả năng bền vững trên toàn bộ sản phẩm, chính sách và hoạt động.
Quy trình công việc ngôn ngữ có thể di chuyển nhanh hơn mà không làm mất tính nhất quán. Đồng thời, các sự kiện ảo giác có thể âm thầm đưa vào các báo cáo, luồng hỗ trợ hoặc kết quả nghiên cứu. Cách tiếp cận linh hoạt nhất là kết hợp tốc độ thử nghiệm với kỷ luật quản trị: chạy thử nghiệm, thu thập bằng chứng, xuất bản nhật ký quyết định và liên tục cập nhật các biện pháp bảo vệ khi hành vi của mô hình, kỳ vọng của người dùng và các yêu cầu pháp lý phát triển.
Tác động chiến lược
Quy trình công việc ngôn ngữ có thể di chuyển nhanh hơn mà không làm mất tính nhất quán.
Quy trình công việc ngôn ngữ có thể di chuyển nhanh hơn mà không làm mất tính nhất quán. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Nó mở rộng quyền truy cập vào các ngôn ngữ và phong cách giao tiếp.
Nó mở rộng quyền truy cập vào các ngôn ngữ và phong cách giao tiếp. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Các nhóm có thể dành nhiều thời gian hơn để đánh giá trong khi quá trình tự động hóa xử lý sự lặp lại.
Các nhóm có thể dành nhiều thời gian hơn để đánh giá trong khi quá trình tự động hóa xử lý sự lặp lại. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Triển khai trong thế giới thực
Chinchilla tham số 70B của DeepMind đánh bại Gopher 280B về điểm chuẩn bằng cách sử dụng tính toán ngang bằng, bằng cách đào tạo trên nhiều dữ liệu hơn
Hướng dẫn các nhóm lập ngân sách khoảng 20 mã thông báo đào tạo cho mỗi tham số khi lập kế hoạch mô hình từ đầu
Chứng minh các mô hình nhỏ hơn, giàu dữ liệu như LLaMA sẽ rẻ hơn khi chạy tại thời điểm suy luận
Ước tính liệu một mô hình được lên kế hoạch có 'được đào tạo chưa đủ' hay không và sẽ được hưởng lợi nhiều hơn từ dữ liệu bổ sung hơn là các tham số bổ sung
Các mẫu triển khai
Luật chia tỷ lệ Chinchilla trong thực tế
Chinchilla tham số 70B của DeepMind đánh bại Gopher 280B về điểm chuẩn bằng cách sử dụng tính toán ngang bằng, bằng cách đào tạo trên nhiều dữ liệu hơn.
Chinchilla tham số 70B của DeepMind đánh bại Gopher 280B về điểm chuẩn bằng cách sử dụng tính toán tương đương, bằng cách đào tạo trên nhiều dữ liệu hơn. Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, theo dõi lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Luật chia tỷ lệ Chinchilla trong thực tế
Hướng dẫn các nhóm lập ngân sách khoảng 20 mã thông báo đào tạo cho mỗi tham số khi lập kế hoạch cho mô hình ngay từ đầu.
Hướng dẫn các nhóm đặt ngân sách khoảng 20 mã thông báo đào tạo cho mỗi tham số khi lập kế hoạch mô hình ngay từ đầu. Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Luật chia tỷ lệ Chinchilla trong thực tế
Biện minh cho các mô hình nhỏ hơn, giàu dữ liệu như LLaMA có chi phí chạy rẻ hơn tại thời điểm suy luận.
Chứng minh các mô hình nhỏ hơn, giàu dữ liệu như LLaMA chạy rẻ hơn trong thời gian suy luận Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp phức tạp và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Luật chia tỷ lệ Chinchilla trong thực tế
Đánh giá xem liệu một mô hình được lập kế hoạch có 'được đào tạo chưa đủ' hay không và sẽ được hưởng lợi nhiều hơn từ dữ liệu bổ sung hơn là các tham số bổ sung.
Đánh giá xem một mô hình được lập kế hoạch có 'đào tạo chưa đủ' hay không và sẽ được hưởng lợi nhiều hơn từ dữ liệu bổ sung so với các tham số bổ sung. Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Rủi ro & lan can
Sự thật ảo giác có thể lặng lẽ đi vào báo cáo, luồng hỗ trợ hoặc kết quả nghiên cứu.
Sự nhạy cảm kịp thời có thể tạo ra kết quả không nhất quán đối với các yêu cầu tương tự.
Dữ liệu văn bản nhạy cảm có thể bị lộ nếu khả năng kiểm soát quyền truy cập yếu.
Lộ trình thực hiện
Xác định định dạng đầu ra, âm thanh và tiêu chuẩn chất lượng trước khi triển khai.
Xác định định dạng đầu ra, âm thanh và tiêu chuẩn chất lượng trước khi triển khai. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Phản hồi mặt đất với các nguồn đáng tin cậy bất cứ khi nào độ chính xác quan trọng.
Phản hồi mặt đất với các nguồn đáng tin cậy bất cứ khi nào độ chính xác quan trọng. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Duy trì điểm kiểm tra đánh giá của con người đối với các kết quả đầu ra có mức độ rủi ro cao.
Duy trì điểm kiểm tra đánh giá của con người đối với các kết quả đầu ra có mức độ rủi ro cao. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Theo dõi các kiểu lỗi và đào tạo lại các lời nhắc hoặc quy trình làm việc thường xuyên.
Theo dõi các kiểu lỗi và đào tạo lại các lời nhắc hoặc quy trình làm việc thường xuyên. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.