Dưới đây là bản dịch của văn bản đã cho:
Các nhà nghiên cứu tại Đại học Carnegie Mellon đã phát triển một phương pháp mới để tạo ra các mô hình ngôn ngữ lớn (LLM) nhỏ hơn, hiệu quả hơn, có thể chạy trên các thiết bị có tài nguyên hạn chế. Phương pháp này, được gọi là "Knowledge Distillation with Contrastive Learning" (KDCL), kết hợp hai kỹ thuật học máy: chưng cất tri thức và học tương phản.
Chưng cất tri thức là một kỹ thuật trong đó một mô hình lớn, được gọi là "giáo viên", được sử dụng để đào tạo một mô hình nhỏ hơn, được gọi là "học sinh". Mô hình học sinh học cách bắt chước hành vi của mô hình giáo viên, nhưng với ít tham số hơn. Điều này cho phép mô hình học sinh nhỏ hơn và nhanh hơn, nhưng vẫn duy trì hiệu suất tương tự như mô hình giáo viên.
Học tương phản là một kỹ thuật trong đó mô hình học cách phân biệt giữa các ví dụ tích cực và tiêu cực. Trong KDCL, mô hình học sinh được đào tạo để phân biệt giữa các phản hồi được tạo bởi mô hình giáo viên và các phản hồi được tạo ngẫu nhiên. Điều này giúp mô hình học sinh học cách tạo ra các phản hồi chất lượng cao hơn.
Các nhà nghiên cứu đã thử nghiệm KDCL trên một số tác vụ xử lý ngôn ngữ tự nhiên (NLP), bao gồm tóm tắt văn bản, dịch máy và trả lời câu hỏi. Họ phát hiện ra rằng các mô hình được đào tạo bằng KDCL đạt được hiệu suất tương đương với các mô hình lớn hơn, nhưng với ít tham số hơn đáng kể. Ví dụ, một mô hình được đào tạo bằng KDCL có thể đạt được hiệu suất tương tự như một mô hình lớn hơn 10 lần, nhưng chỉ với 1/10 số tham số.
Những kết quả này cho thấy KDCL là một phương pháp đầy hứa hẹn để tạo ra các LLM nhỏ hơn, hiệu quả hơn. Điều này có thể có những tác động đáng kể đến nhiều ứng dụng, chẳng hạn như thiết bị di động, điện toán biên và các hệ thống nhúng.
**Các điểm chính:**
* KDCL kết hợp chưng cất tri thức và học tương phản để tạo ra các LLM nhỏ hơn, hiệu quả hơn.
* Các mô hình được đào tạo bằng KDCL đạt được hiệu suất tương đương với các mô hình lớn hơn, nhưng với ít tham số hơn đáng kể.
* KDCL có thể có những tác động đáng kể đến nhiều ứng dụng, chẳng hạn như thiết bị di động, điện toán biên và các hệ thống nhúng.
**Thông tin bổ sung:**
* Các nhà nghiên cứu đã công bố kết quả của họ trong một bài báo có tựa đề "Knowledge Distillation with Contrastive Learning for Efficient Language Model Compression".
* Mã nguồn cho KDCL có sẵn trên GitHub.
Paperium
Đăng ngày 18/5
• Ban đầu được xuất bản tại paperium.net
Phân biệt đối xử, trí tuệ nhân tạo và ra quyết định bằng thuật toán
#ai
#deeplearning
#computerscience
#machinelearning
AI (Loạt bài gồm 3069 phần)
1
Học tập của tác nhân thông qua kinh nghiệm ban đầu
2
MM-HELIX: Tăng cường suy luận phản xạ chuỗi dài đa phương thức với Nền tảng toàn diện và Tối ưu hóa chính sách lai thích ứng
...
3065 phần khác...
3
MemMamba: Suy nghĩ lại các mẫu bộ nhớ trong mô hình không gian trạng thái
4
UniVideo: Hiểu, tạo và chỉnh sửa thống nhất cho video
5
VideoCanvas: Hoàn thành video thống nhất từ các bản vá không gian-thời gian tùy ý thông qua điều kiện trong ngữ cảnh
6
DreamOmni2: Chỉnh sửa và tạo dựa trên hướng dẫn đa phương thức
7
Từ cái gì đến tại sao: Một hệ thống đa tác nhân để suy luận điều kiện phản ứng hóa học dựa trên bằng chứng
8
Meta-Awareness tăng cường các mô hình suy luận: Học tăng cường tự điều chỉnh
9
Khi suy nghĩ gặp sự thật: Suy luận có thể tái sử dụng cho các mô hình ngôn ngữ lớn (LLM) ngữ cảnh dài
10
Các token có xác suất thấp duy trì khám phá trong học tăng cường với phần thưởng có thể kiểm chứng
11
The Alignment Waltz: Đào tạo chung các tác nhân để hợp tác vì sự an toàn
12
Tối ưu hóa chính sách tương đối nhóm không cần đào tạo
13
Tăng cường lai: Khi phần thưởng thưa thớt, tốt hơn là nên dày đặc
14
NewtonBench: Đánh giá khám phá luật khoa học tổng quát trong các tác nhân LLM
15
ARTDECO: Hướng tới tái tạo 3D hiệu quả và độ trung thực cao theo thời gian thực với biểu diễn cảnh có cấu trúc
16
DeepPrune: Mở rộng song song mà không có sự dư thừa giữa các dấu vết
17
Lần thử đầu tiên rất quan trọng: Xem xét lại vai trò của sự phản ánh trong các mô hình suy luận
18
LLM học cách lừa dối một cách vô ý: Sự sai lệch xuất hiện trong sự không trung thực từ các mẫu sai lệch đến tương tác người-AI thiên vị
19
UniMMVSR: Một khung đa phương thức thống nhất cho siêu phân giải video xếp tầng
20
NaViL: Suy nghĩ lại các thuộc tính mở rộng của các mô hình ngôn ngữ lớn đa phương thức gốc dưới các ràng buộc dữ liệu
21
CoMAS: Các hệ thống đa tác nhân đồng tiến hóa thông qua phần thưởng tương tác
22
PickStyle: Chuyển đổi kiểu video sang video với bộ điều hợp kiểu ngữ cảnh
23
UNIDOC-BENCH: Một điểm chuẩn thống nhất cho RAG đa phương thức tập trung vào tài liệu
24
InstructX: Hướng tới chỉnh sửa hình ảnh thống nhất với hướng dẫn MLLM
25
LongRM: Tiết lộ và mở khóa ranh giới ngữ cảnh của mô hình hóa phần thưởng
26
Học trong công việc: Một tác nhân tự tiến hóa dựa trên kinh nghiệm cho các nhiệm vụ dài hạn
27
Tăng cường các mô hình khuếch tán bằng cách tối ưu hóa ưu tiên nhóm trực tiếp
28
Kiểm soát tạo video chuyển văn bản thành âm thanh thông qua điều kiện và tương tác phương thức nâng cao
29
Kích hoạt điều hòa Entropy: Tăng cường kiểm soát liên tục, các mô hình ngôn ngữ lớn và phân loại hình ảnh với kích hoạt như
30
Truy xuất và củng cố bộ nhớ trong các mô hình ngôn ngữ lớn thông qua các token chức năng
31
Tái chế các điểm kiểm tra được đào tạo trước: Tăng trưởng trực giao của hỗn hợp chuyên gia để đào tạo trước mô hình ngôn ngữ lớn hiệu quả
32
GCPO: Khi độ tương phản thất bại, hãy chọn vàng
33
UP2You: Tái tạo nhanh chóng bản thân từ các bộ sưu tập ảnh không giới hạn
34
OmniRetarget: Tạo dữ liệu bảo toàn tương tác cho thao tác và tương tác cảnh toàn thân hình người
35
DexNDM: Thu hẹp khoảng cách thực tế cho xoay trong tay khéo léo thông qua mô hình động lực học thần kinh khớp
36. A^2Search: Trả lời câu hỏi nhận biết sự mơ hồ bằng học tăng cường.
37. Học cách định tuyến các mô hình ngôn ngữ lớn (LLM) từ phản hồi Bandit: Một chính sách, nhiều sự đánh đổi.
38. Search-R3: Thống nhất suy luận và tạo nhúng trong các mô hình ngôn ngữ lớn.
39. R2RGEN: Tạo dữ liệu 3D từ thực tế sang thực tế để thao tác tổng quát hóa không gian.
40. Drive&Gen: Đồng đánh giá các mô hình lái xe đầu cuối và tạo video.
41. Vượt ra ngoài các giá trị ngoại lệ: Một nghiên cứu về các bộ tối ưu hóa dưới lượng tử hóa.
42. SViM3D: Khuếch tán vật liệu video ổn định để tạo 3D từ một hình ảnh.
43. GyroSwin: Các mô hình thay thế 5D cho mô phỏng nhiễu loạn plasma Gyrokinetic.
44. Hướng tới chỉnh sửa 3D có thể mở rộng và nhất quán.
45. Sử dụng mạng trực tuyến nếu có thể: Hướng tới học tăng cường nhanh và ổn định.
46. Thành phần dữ liệu nhận biết độ trung thực để tổng quát hóa robot mạnh mẽ.
47. SciVideoBench: Đánh giá suy luận video khoa học trong các mô hình đa phương thức lớn.
48. Khuếch tán quy mô lớn thông qua tính nhất quán thời gian liên tục được điều chỉnh theo điểm số.
49. Vượt qua giới hạn lượt: Huấn luyện các tác nhân tìm kiếm sâu với cửa sổ ngữ cảnh động.
50. OpenRubrics: Hướng tới tạo tiêu chí tổng hợp có thể mở rộng để mô hình hóa phần thưởng và căn chỉnh LLM.
51. Tư duy bằng camera: Một mô hình đa phương thức thống nhất để hiểu và tạo lấy camera làm trung tâm.
52. D2E: Mở rộng đào tạo trước thị giác-hành động trên dữ liệu máy tính để chuyển sang AI thể hiện.
53. TAG: Hướng dẫn khuếch đại tiếp tuyến để lấy mẫu khuếch tán chống ảo giác.
54. Tối ưu hóa lời nhắc đa phương thức: Tại sao không tận dụng nhiều phương thức cho MLLM.
55. AutoPR: Hãy tự động hóa việc thăng tiến học thuật của bạn!
56. R-Horizon: Mô hình suy luận lớn của bạn thực sự có thể đi được bao xa về chiều rộng và chiều sâu?
57. Webscale-RL: Quy trình dữ liệu tự động để mở rộng dữ liệu RL đến mức đào tạo trước.
58. SpaceVista: Suy luận không gian trực quan ở mọi quy mô từ mm đến km.
59. StreamingVLM: Hiểu biết thời gian thực cho các luồng video vô hạn.
60. Đừng lãng phí sai lầm: Tận dụng các nhóm RL tiêu cực thông qua việc điều chỉnh trọng số độ tin cậy.
61. ARES: Suy luận thích ứng đa phương thức thông qua định hình entropy cấp mã thông báo nhận biết độ khó.
62. KORMo: Mô hình suy luận mở tiếng Hàn cho mọi người.
63. DISCO: Đa dạng hóa cô đặc mẫu để đánh giá mô hình hiệu quả.
64. Kết nối suy luận với học tập: Làm sáng tỏ ảo ảnh bằng cách tổng quát hóa độ phức tạp ngoài phân phối.
65. Biến đổi Gaussian lũy tiến với nhận biết dị hướng.
Nguồn tin: Dev.to Machine Learning — Tác giả: Paperium. Bản dịch tiếng Việt do AI thực hiện, có thể có sai sót.
