概述
Chinchilla 是 DeepMind 2022 年的一项发现，大多数大型语言模型都严重缺乏训练：对于固定的计算预算，您应该大致相等地扩展参数和数据，而不仅仅是构建更大的模型。它重塑了行业平衡模型大小和训练数据的方式。
Chinchilla 计算优化训练位于核心 AI 工具包中。当你理解它时，其他人工智能主题就变得更容易评估和比较。
深入探讨
DeepMind 的 Chinchilla 论文重新审视了缩放比例并训练了 400 多个模型以找到计算最佳平衡。总体经验法则：模型大小和训练标记应同步增长，每个参数大约 20 个训练标记。为了证明这一点，他们在 1.4 万亿个代币上训练了 Chinchilla，这是一个有 700 亿个参数的模型，使用的计算量与在少得多的代币上训练的有 2800 亿个参数的 Gopher 相同。尽管 Chinchilla 的体积小四倍，但几乎在所有基准测试中都优于 Gopher、GPT-3 和其他巨头。这一教训推翻了之前的 OpenAI 结论，该结论更看重大小而非数据，表明许多旗舰型号由于太大和太缺乏数据而导致性能下降。
技术洞察
Chinchilla 拟合损失为 L(N,D) = E + A·N^(-α) + B·D^(-β)，其中 α 和 β 均接近 0.34，这意味着参数和数据的贡献几乎对称。在固定计算约束下对此进行优化（变压器的计算 ≈ 6·N·D）会产生等比例的结果。较小的、数据丰富的模型在推理时运行起来也更便宜，因此它的优势在部署方面更加复杂，而不仅仅是训练。
掌握 Chinchilla 计算优化训练
Chinchilla 是 DeepMind 2022 年的一项发现，大多数大型语言模型都严重缺乏训练：对于固定的计算预算，您应该大致相等地扩展参数和数据，而不仅仅是构建更大的模型。它重塑了行业平衡模型大小和训练数据的方式。 Chinchilla 计算优化训练位于核心 AI 工具包中。当你理解它时，其他人工智能主题就变得更容易评估和比较。为了建立深入的理解，请将 Chinchilla 计算最优训练视为一种操作模型，而不是单一功能：定义期望的结果，澄清假设，并将系统可以可靠地执行的操作与仍需要专家判断的操作分开。
在实践中，使用 Chinchilla 计算优化训练的强大团队首先构建强大的概念模型，然后将这些模型映射到实际的生产约束。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
它可以帮助您将清晰的技术声明与营销语言分开。同时，不同的团队可能会以不同的方式使用同一术语，因此请尽早定义范围。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
它可以帮助您将清晰的技术声明与营销语言分开。
它可以帮助您将清晰的技术声明与营销语言分开。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
在花费金钱或时间之前，您可以提出更好的实施问题。
在花费金钱或时间之前，您可以提出更好的实施问题。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
具有共同理解的团队可以做出更好的产品、政策和学习决策。
具有共同理解的团队可以做出更好的产品、政策和学习决策。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
选择在 2 万亿代币上训练 70 亿个参数的模型，而不是在相同预算下使用太少的数据训练 300 亿个模型。
估计 100 亿个参数的模型需要大约 2000 亿个代币才能达到计算最优的最佳点。
证明较小的部署模型可以削减每个查询的推理成本，同时与较大竞争对手的质量相匹配。
审核现有模型并得出其训练不足的结论，然后计划更长的训练运行而不是增加参数。
实施模式
Chinchilla 计算优化训练实践
选择在 2 万亿代币上训练 70 亿个参数的模型，而不是在相同预算下使用太少的数据训练 300 亿个模型。
在相同的预算下，选择在 2 万亿个代币上训练 70 亿个参数的模型，而不是在太少的数据上训练 300 亿个模型。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会得到更好的结果。
Chinchilla 计算优化训练实践
估计 100 亿个参数的模型需要大约 2000 亿个代币才能达到计算最优的最佳点。
估计一个 100 亿参数的模型需要大约 2000 亿个代币才能达到计算最佳的最佳点。当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力增益和错误成本时，通常会获得更好的结果。
Chinchilla 计算优化训练实践
证明较小的部署模型可以削减每个查询的推理成本，同时与较大竞争对手的质量相匹配。
证明较小的部署模型可以削减每个查询的推理成本，同时匹配较大竞争对手的质量当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
Chinchilla 计算优化训练实践
审核现有模型并得出其训练不足的结论，然后计划更长的训练运行而不是增加参数。
审核现有模型并得出其训练不足的结论，然后计划更长的训练运行而不是增加参数。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
风险与防护栏
不同的团队可能会以不同的方式使用同一术语，因此请尽早定义范围。
基准测试可能看起来很强大，但实际性能却参差不齐。
忽视数据质量和评估计划通常会产生脆弱的结果。
实施路线图
从您需要的结果的简单语言定义开始。
从您需要的结果的简单语言定义开始。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
在测试之前选择一种成功指标和一种失败条件。
在测试之前选择一种成功指标和一种失败条件。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
使用代表性数据运行小型试点，而不是完善的演示集。
使用代表性数据运行小型试点，而不是完善的演示集。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
记录 Chinchilla 计算优化训练在哪些方面有帮助以及在哪些方面更简单的方法更好。
记录 Chinchilla 计算优化训练在哪些方面有帮助以及在哪些方面更简单的方法更好。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。