概述
YaRN（另一种 RoPE 扩展）是一种将 Transformer 的可用上下文窗口延伸到远远超出其训练范围的技术，只需进行最少的微调。这很重要，因为它可以让现有模型处理更长的文档，而无需从头开始重新训练。
YaRN 上下文窗口缩放是语言 AI 堆栈的一部分，用于大规模读取、生成、分类和转换文本和语音。
深入探讨
大多数现代法学硕士都使用旋转位置嵌入 (RoPE) 来编码单词位置，这种方法只能在模型训练期间看到的长度内有效。输入较长的序列，模型会严重退化。 YaRN 通过以频率感知的方式重新调整 RoPE 的旋转频率来解决这个问题：高频维度（捕获本地、附近的关系）大部分保持不变，而低频维度（捕获远程位置）则进行插值。它还增加了注意力的温度调节，以保持逻辑在远距离表现良好。结果在 LLaMA 模型上得到了证明，仅使用约 0.1% 的原始训练数据和数百个微调步骤，即可将上下文从 4K 扩展到 64K-128K 令牌。
技术洞察
RoPE 将查询向量和键向量旋转与位置和每维度频率成比例的角度。朴素的线性插值（位置插值）会同等地压缩所有频率，从而损害局部细节。 YaRN 相反应用“NTK-by-parts”：它仅对低频（长波长）维度进行插值，单独保留高频维度，并在它们之间进行斜坡。注意力温度的缩放可以补偿熵位移，从而在扩展长度下保持准确性。
掌握 YaRN 上下文窗口缩放
YaRN（另一种 RoPE 扩展）是一种将 Transformer 的可用上下文窗口延伸到远远超出其训练范围的技术，只需进行最少的微调。这很重要，因为它可以让现有模型处理更长的文档，而无需从头开始重新训练。 YaRN 上下文窗口缩放是语言 AI 堆栈的一部分，用于大规模读取、生成、分类和转换文本和语音。为了建立深入的理解，请将 YaRN 上下文窗口缩放视为一种操作模型，而不是单个功能：定义所需的结果，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 YaRN Context Window Scaling 的强大团队将提示、检索和审查循环设计为一个集成通信系统。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。
语言工作流程可以在不牺牲一致性的情况下更快地移动。与此同时，幻觉事实可以悄悄地进入报告、支持流程或研究成果。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
语言工作流程可以在不牺牲一致性的情况下更快地移动。
语言工作流程可以在不牺牲一致性的情况下更快地移动。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。
它扩展了跨语言和沟通方式的访问。
它扩展了跨语言和沟通方式的访问。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。
团队可以花更多时间进行判断，而自动化则可以处理重复。
团队可以花更多时间进行判断，而自动化则可以处理重复。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
将开放的 LLaMA 模型从 4K 扩展到 128K 代币，以便它可以一次性摄取整个代码库或长合约
让聊天机器人保留很长的对话历史记录，而不会截断之前的对话
总结超出基本模型本机窗口的书本长度文档或多小时转录本
仅使用少量微调运行即可廉价地调整预训练模型以执行长上下文检索任务
实施模式
YaRN 上下文窗口缩放实践
将开放的 LLaMA 模型从 4K 代币扩展到 128K 代币，以便它可以一次性摄取整个代码库或长合约。
将开放的 LLaMA 模型从 4K 扩展到 128K 代币，这样它就可以一次性摄取整个代码库或长期合约。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。
YaRN 上下文窗口缩放实践
让聊天机器人保留很长的对话历史记录，而不会截断之前的对话。
让聊天机器人保留很长的对话历史记录，而不会截断早期的对话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提升和错误成本时，通常会获得更好的结果。
YaRN 上下文窗口缩放实践
总结超出基本模型本机窗口的书本长度的文档或多小时的文字记录。
总结超出基本模型本机窗口的书本长度的文档或多小时的记录 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。
YaRN 上下文窗口缩放实践
仅使用少量微调运行即可廉价地调整预训练模型以执行长上下文检索任务。
只需进行少量微调运行，即可廉价地调整预训练模型来执行长上下文检索任务。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。
风险与防护栏
幻觉的事实可以悄悄地进入报告、支持流程或研究成果。
及时的敏感性可能会在类似的请求中产生不一致的结果。
如果访问控制薄弱，敏感文本数据可能会暴露。
实施路线图
在推出之前定义输出格式、语气和质量标准。
在推出之前定义输出格式、语气和质量标准。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。
当准确性很重要时，请使用可信来源进行地面响应。
当准确性很重要时，请使用可信来源进行地面响应。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。
为高风险输出保留人工审查检查点。
为高风险输出保留人工审查检查点。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。
跟踪故障模式并定期重新训练提示或工作流程。
跟踪故障模式并定期重新训练提示或工作流程。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。