QLoRA và tinh chỉnh 4 bit
QLoRA là một kỹ thuật cho phép bạn tinh chỉnh mô hình ngôn ngữ lớn trên một GPU tiêu dùng bằng cách lưu trữ mô hình cố định chỉ với 4 bit cho mỗi trọng lượng.
Tổng quan
It made customizing 65B-parameter models possible on hardware that previously could only handle models a fraction of that size.
Lặn sâu
Thông thường, việc tinh chỉnh một mô hình lớn có nghĩa là tải mọi trọng số với độ chính xác 16 bit và cập nhật tất cả chúng, việc này đòi hỏi bộ nhớ rất lớn. QLoRA kết hợp hai ý tưởng. Đầu tiên, nó đóng băng mô hình được huấn luyện trước và lượng tử hóa nó xuống còn 4 bit, giảm bộ nhớ khoảng bốn lần. Thứ hai, nó sử dụng LoRA: thay vì cập nhật các ma trận trọng số khổng lồ, nó chèn các ma trận bộ điều hợp cấp thấp nhỏ có thể huấn luyện cùng với chúng, do đó chỉ có vài triệu tham số được cập nhật. Đế 4 bit vẫn cố định trong khi độ dốc chỉ chảy qua các bộ điều hợp nhỏ. Được Dettmers và đồng nghiệp giới thiệu vào năm 2023, QLoRA đã cho thấy rằng việc tinh chỉnh mô hình 65B trên một GPU 48 GB có thể tương đương với chất lượng của tinh chỉnh 16 bit đầy đủ.
Hiểu biết kỹ thuật
QLoRA đã giới thiệu ba thủ thuật. NF4 (NormalFloat 4-bit) là loại dữ liệu được tối ưu hóa cho phân bố trọng số thần kinh theo đường cong hình chuông, cho độ chính xác cao hơn so với int4 đơn giản. Lượng tử hóa kép tự nén các hằng số lượng tử hóa, tiết kiệm thêm bộ nhớ. Trình tối ưu hóa phân trang sử dụng bộ nhớ hợp nhất GPU-CPU để hấp thụ các đột biến trong các chuỗi dài, ngăn ngừa sự cố hết bộ nhớ. Trong quá trình truyền tiến và lùi, các trọng số 4 bit được lượng tử hóa thành 16 bit đúng lúc để nhân ma trận, sau đó bị loại bỏ.
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 QLoRA và Tinh chỉnh 4-bit
Tinh chỉnh 4 bit đã trở thành thông lệ tiêu chuẩn và nghiên cứu hiện đang hướng tới độ chính xác thậm chí còn thấp hơn, bao gồm các biểu diễn 2 bit và 1 bit (thứ ba). Các sơ đồ lượng tử hóa mới hơn như AWQ, GPTQ và HQQ tinh chỉnh độ chính xác hơn nữa, trong khi các kỹ thuật như QA-LoRA nhằm mục đích giữ cho mô hình được lượng tử hóa ngay cả sau khi hợp nhất các bộ điều hợp. Khi các mô hình có trọng lượng mở phát triển, hãy mong đợi công cụ cho phép những người có sở thích tinh chỉnh các mô hình 70B trở lên trên một GPU chơi game duy nhất để trở thành thói quen, dân chủ hóa việc tùy chỉnh.
Triển khai trong thế giới thực
Một công ty khởi nghiệp tinh chỉnh mô hình Llama 70B trên một GPU 48 GB duy nhất để xây dựng trợ lý hỗ trợ khách hàng mang tiếng nói thương hiệu của riêng mình mà không cần thuê cụm máy chủ.
Một nhà nghiên cứu với một người tiêu dùng RTX 4090 điều chỉnh mô hình mở cho phù hợp với tập dữ liệu trả lời câu hỏi y tế chỉ trong một đêm.
Nhà phát triển tạo ra hàng tá bộ điều hợp LoRA nhỏ, có thể hoán đổi cho các tác vụ khác nhau, tất cả đều chia sẻ một mô hình cơ sở 4 bit được tải trong bộ nhớ.
Một người có sở thích tinh chỉnh mô hình trên nhật ký trò chuyện cá nhân của họ để bắt chước một phong cách viết cụ thể bằng phần cứng cấp Colab miễn phí.
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 QLoRA and 4-Bit Fine-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 QLoRA and 4-Bit Fine-Tuning?
QLoRA là một kỹ thuật cho phép bạn tinh chỉnh mô hình ngôn ngữ lớn trên một GPU tiêu dùng bằng cách lưu trữ mô hình cố định chỉ với 4 bit cho mỗi trọng lượng. Nó giúp việc tùy chỉnh các mô hình tham số 65B có thể thực hiện được trên phần cứng mà trước đây chỉ có thể xử lý các mô hình có kích thước nhỏ như vậy.
Ý tưởng tiết kiệm bộ nhớ cốt lõi đằng sau phần '4-bit' của QLoRA là gì?
QLoRA lưu trữ các trọng số được huấn luyện trước cố định ở 4 bit cho mỗi giá trị, cắt giảm bộ nhớ khoảng bốn lần so với 16 bit.
Trong quá trình tinh chỉnh QLoRA, tham số nào thực sự được cập nhật bằng cách giảm độ dốc?
Mô hình cơ sở bị đóng băng; chỉ các ma trận bộ điều hợp xếp hạng thấp được chèn mới nhận được cập nhật độ dốc, đây chỉ là một phần rất nhỏ của các tham số.
NF4 trong bối cảnh QLoRA là gì?
NF4 (NormalFloat 4-bit) là loại dữ liệu được thiết kế xoay quanh phân bố đường cong hình chuông của các trọng số mạng thần kinh để có độ chính xác cao hơn so với int4 đơn giản.
'Trình tối ưu hóa phân trang' trong địa chỉ QLoRA gặp vấn đề gì?
Trình tối ưu hóa phân trang sử dụng bộ nhớ hợp nhất GPU-CPU để hấp thụ các đột biến bộ nhớ, ngăn ngừa sự cố hết bộ nhớ trong quá trình đào tạo với các đầu vào dài.
Khi nào trọng số 4 bit được chuyển đổi trở lại độ chính xác cao hơn trong quá trình huấn luyện?
Trọng số 4 bit được khử lượng tử thành độ chính xác 16 bit một cách nhanh chóng cho mỗi phép nhân ma trận, sau đó bản sao có độ chính xác cao hơn sẽ bị loại bỏ để tiết kiệm bộ nhớ.