Hợp nhất mô hình
Việc hợp nhất mô hình kết hợp trọng số của hai hoặc nhiều mạng thần kinh được đào tạo thành một mô hình duy nhất - mà không cần đào tạo lại hoặc truy cập vào dữ liệu đào tạo ban đầu.
Tổng quan
It matters because it lets teams blend specialized skills cheaply, turning expensive fine-tuned models into reusable building blocks.
Lặn sâu
Việc hợp nhất mô hình hợp nhất các tham số (trọng số) thực tế của nhiều mô hình có chung kiến trúc. Phương pháp đơn giản nhất, tính trung bình trọng số, chỉ lấy giá trị trung bình của các trọng số tương ứng. Các phương pháp thông minh hơn hoạt động với 'vectơ nhiệm vụ' — sự khác biệt giữa mô hình được tinh chỉnh và cơ sở của nó. Việc thêm vectơ nhiệm vụ sẽ tạo ra một kỹ năng; trừ đi nó có thể loại bỏ một hành vi không mong muốn. Các kỹ thuật như TIES-Merging và DARE cắt và định lại tỷ lệ các vectơ này để giảm nhiễu khi nhiều mô hình được kết hợp. Vì không yêu cầu giảm độ dốc hoặc dữ liệu nên quá trình hợp nhất sẽ diễn ra trong vài giây trên máy tính xách tay. Điều hấp dẫn: nó chỉ hoạt động khi các mô hình đi xuống từ một cơ sở chung và sống trong các vùng không gian trọng lượng tương thích.
Hiểu biết kỹ thuật
Ý tưởng chính là việc tinh chỉnh di chuyển các trọng số dọc theo một 'vùng tổn thất' tương đối bằng phẳng gần mô hình cơ sở. Một vectơ nhiệm vụ đơn giản là (các trọng số được tinh chỉnh trừ đi các trọng số cơ bản). Vì các vectơ này gần như tuyến tính và thường gần trực giao giữa các nhiệm vụ khác nhau nên bạn có thể cộng nhiều vectơ lại với nhau và mô hình kết hợp sẽ giữ lại từng kỹ năng. TIES và DARE trước tiên sẽ cắt bớt các vùng delta có trọng số nhỏ hoặc xung đột để loại bỏ dấu hiệu bất đồng, sau đó hợp nhất, ngăn chặn một nhiệm vụ ghi đè lên nhiệm vụ khác.
Tác động chiến lược
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.
Tương lai của việc sáp nhập mô hình
Kỳ vọng việc sáp nhập sẽ trở thành một phần tiêu chuẩn của 'chuỗi cung ứng' kiểu mẫu. Các trung tâm đã lưu trữ hàng nghìn điểm kiểm tra có thể hợp nhất và các công cụ như bộ công cụ hợp nhất giúp các công thức nấu ăn có thể chia sẻ được. Nghiên cứu đang hướng tới tìm kiếm hợp nhất tự động (các thuật toán tiến hóa chọn tỷ lệ hòa trộn theo lớp), hợp nhất trên các kiến trúc hơi khác nhau và hợp nhất các thành phần Hỗn hợp chuyên gia một cách nhanh chóng. Khi các tinh chỉnh mở ngày càng phổ biến, việc hợp nhất cung cấp một cách gần như miễn phí để tổng hợp các khả năng, mặc dù việc cấp phép và xuất xứ của các mô hình được hợp nhất sẽ cần các tiêu chuẩn rõ ràng hơn.
Triển khai trong thế giới thực
Kết hợp mô hình điều chỉnh mã hóa với mô hình điều chỉnh trò chuyện để một LLM vừa viết mã vừa trò chuyện một cách tự nhiên mà không cần đào tạo lại.
Các thử nghiệm hợp nhất tiến hóa kết hợp mô hình ngôn ngữ tiếng Nhật với mô hình toán học tiếng Anh để tạo ra một trình giải toán mạnh mẽ bằng tiếng Nhật.
Trừ vectơ nhiệm vụ 'độc hại' khỏi trọng số của mô hình để giảm kết quả đầu ra có hại mà không cần thu thập dữ liệu an toàn mới.
Hợp nhất một số bộ điều hợp LoRA được đào tạo về các phong cách viết khác nhau thành một mô hình có thể chuyển đổi âm sắc một cách linh hoạt.
Rủi ro & lan can
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.
Lộ trình thực hiện
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
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 Model Merging 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
Sáp nhập mô hình tiến hóa Sakana AI
Câu hỏi thường gặp
What is Model Merging?
Việc hợp nhất mô hình kết hợp trọng số của hai hoặc nhiều mạng thần kinh được đào tạo thành một mô hình duy nhất - mà không cần đào tạo lại hoặc truy cập vào dữ liệu đào tạo ban đầu. Điều này quan trọng vì nó cho phép các nhóm kết hợp các kỹ năng chuyên biệt với chi phí thấp, biến các mô hình tinh chỉnh đắt tiền thành các khối xây dựng có thể tái sử dụng.
Việc hợp nhất mô hình chủ yếu kết hợp những gì?
Việc hợp nhất mô hình hoạt động trực tiếp trên các trọng số/tham số đã học của các mô hình, hợp nhất chúng thành một tập hợp, thay vì kết hợp dữ liệu hoặc đầu ra thời gian chạy.
Tại sao việc hợp nhất mô hình có thể chạy trong vài giây trên phần cứng khiêm tốn?
Bởi vì việc hợp nhất về cơ bản là số học có trọng số trên các trọng số hiện có nên không có sự lan truyền ngược hoặc truyền dữ liệu tốn kém.
Các phương pháp như TIES-Merging và DARE giải quyết cụ thể vấn đề gì?
TIES và DARE cắt tỉa và thay đổi quy mô các vectơ tác vụ để giảm các cập nhật xung đột (ký hiệu ngược lại), để một tác vụ không ghi đè lên tác vụ khác.
Việc hợp nhất có thể được sử dụng như thế nào để *loại bỏ* một hành vi không mong muốn?
Việc phủ định (trừ) một vectơ nhiệm vụ gắn với một đặc điểm không mong muốn, chẳng hạn như tính độc hại, có thể khiến mô hình tránh xa hành vi đó.