Điều chỉnh tiền tố
Điều chỉnh tiền tố là một cách hiệu quả về tham số để điều chỉnh mô hình ngôn ngữ cố định bằng cách huấn luyện một tập hợp nhỏ các vectơ liên tục được thêm vào đầu vào của mỗi lớp.
Tổng quan
It lets you customize giant models for new tasks while updating less than 1% of parameters.
Lặn sâu
Điều chỉnh tiền tố, do các nhà nghiên cứu Li và Liang của Stanford giới thiệu vào năm 2021, điều chỉnh một máy biến áp đã được huấn luyện trước mà không cần chạm vào trọng lượng của nó. Thay vì tinh chỉnh tất cả các tham số, nó sẽ thêm một chuỗi 'mã thông báo ảo' (tiền tố) có thể huấn luyện vào các khóa và giá trị ở mỗi lớp chú ý. Mô hình cố định tuân theo tiền tố này như thể nó là bối cảnh thực, điều khiển hành vi của nó hướng tới một nhiệm vụ mục tiêu. Bởi vì chỉ có các vectơ tiền tố được học nên bạn có thể lưu trữ một tiền tố nhỏ cho mỗi tác vụ thay vì một bản sao mô hình đầy đủ. Điều này làm cho việc thực hiện nhiều tác vụ trở nên rẻ và tránh được tình trạng tràn bộ nhớ khi tinh chỉnh hoàn toàn. Nó thực hiện đặc biệt tốt các tác vụ tạo như chuyển bảng thành văn bản và tóm tắt, thường phù hợp với việc tinh chỉnh đầy đủ trong cài đặt dữ liệu cao.
Hiểu biết kỹ thuật
Không giống như điều chỉnh lời nhắc, chỉ thêm các vectơ ở lớp nhúng đầu vào, điều chỉnh tiền tố đưa các vectơ khóa/giá trị có thể huấn luyện vào phần tự chú ý của mỗi lớp biến áp. Để ổn định quá trình đào tạo, tiền tố thường được tạo bởi một mạng chuyển tiếp nguồn cấp dữ liệu nhỏ (thủ thuật tham số hóa lại) thay vì được tối ưu hóa trực tiếp; mạng đó bị loại bỏ sau khi đào tạo, chỉ để lại các ma trận tiền tố đã học. Chỉ những tham số tiền tố này mới nhận được gradient—toàn bộ đường trục vẫn bị đóng băng.
Tác động chiến lược
Tốc độ và tỷ lệ
Quy trình công việc ngôn ngữ có thể di chuyển nhanh hơn mà không làm mất tính nhất quán.
Truy cập và tiếp cận
Nó mở rộng quyền truy cập vào các ngôn ngữ và phong cách giao tiếp.
Quyết định rõ ràng hơn
Các nhóm có thể dành nhiều thời gian hơn để đánh giá trong khi quá trình tự động hóa xử lý sự lặp lại.
Tương lai của điều chỉnh tiền tố
Điều chỉnh tiền tố đã giúp khởi chạy làn sóng tinh chỉnh tham số (PEFT) hiệu quả và vẫn là nền tảng trong các thư viện như Ôm mặt PEFT. Khi các mô hình cơ sở phát triển thành hàng trăm tỷ tham số, các bộ chuyển đổi nhẹ như tiền tố ngày càng hấp dẫn để phục vụ nhiều đối tượng thuê và cá nhân hóa trên thiết bị. Mong đợi các phương pháp tiếp cận kết hợp tiếp tục kết hợp các tiền tố với các bản cập nhật cấp thấp kiểu LoRA và ngày càng sử dụng nhiều hơn trong việc kiểm soát phong cách, tính cách và hành vi an toàn mà không cần đào tạo lại toàn bộ mô hình.
Triển khai trong thế giới thực
Điều chỉnh một xương sống GPT-2 cố định để tạo bảng thành văn bản bằng cách huấn luyện một tiền tố nhỏ trên tập dữ liệu WebNLG
Phục vụ hàng chục kiểu tóm tắt dành riêng cho khách hàng từ một mô hình được chia sẻ duy nhất, mỗi kiểu dưới dạng tệp tiền tố có thể hoán đổi
Điều khiển giọng điệu hoặc tính cách của mô hình ngôn ngữ cho chatbot mà không cần đào tạo lại trọng số cơ bản
Điều chỉnh miền dữ liệu thấp, chẳng hạn như tạo văn bản pháp lý hoặc y tế, trong đó việc tinh chỉnh đầy đủ sẽ quá phù hợp
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.
Phản hồi mặt đất với các nguồn đáng tin cậy bất cứ khi nào độ chính xác quan trọng.
Duy trì điểm kiểm tra đánh giá của con người đối với các kết quả đầu ra có mức độ rủi ro cao.
Theo dõi các kiểu lỗi và đào tạo lại các lời nhắc hoặc quy trình làm việc thường xuyên.
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 Prefix Tuning 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
Tinh chỉnh lấy mẫu từ chối
Câu hỏi thường gặp
What is Prefix Tuning?
Điều chỉnh tiền tố là một cách hiệu quả về tham số để điều chỉnh mô hình ngôn ngữ cố định bằng cách huấn luyện một tập hợp nhỏ các vectơ liên tục được thêm vào đầu vào của mỗi lớp. Nó cho phép bạn tùy chỉnh các mô hình khổng lồ cho các tác vụ mới trong khi cập nhật ít hơn 1% tham số.
Điều chỉnh tiền tố thực sự đào tạo những gì?
Việc điều chỉnh tiền tố sẽ đóng băng đường trục và chỉ học một tập hợp nhỏ các vectơ tiền tố liên tục, giữ cho nó có hiệu quả tham số.
Các vectơ tiền tố được chèn vào đâu?
Điều chỉnh tiền tố phụ thuộc vào các vectơ khóa/giá trị có thể huấn luyện được ở mỗi lớp biến áp, không chỉ đầu vào.
Ai đã giới thiệu việc điều chỉnh tiền tố và đại khái là khi nào?
Điều chỉnh tiền tố được Xiang Lisa Li và Percy Liang tại Stanford đề xuất vào năm 2021.
Tại sao việc điều chỉnh tiền tố lại hấp dẫn khi phục vụ nhiều nhiệm vụ?
Vì chỉ có tiền tố nhỏ là dành riêng cho nhiệm vụ nên bạn lưu trữ một tệp nhỏ cho mỗi tác vụ thay vì sao chép toàn bộ mô hình.
Thủ thuật nào thường được sử dụng để ổn định việc đào tạo tiền tố?
Một MLP nhỏ tạo ra tiền tố trong quá trình huấn luyện để ổn định, sau đó bị loại bỏ, chỉ để lại các ma trận tiền tố đã học.