Informe Técnico de PaLM 2

PaLM 2 Technical Report

May 17, 2023

Autores: Rohan Anil, Andrew M. Dai, Orhan Firat, Melvin Johnson, Dmitry Lepikhin, Alexandre Passos, Siamak Shakeri, Emanuel Taropa, Paige Bailey, Zhifeng Chen, Eric Chu, Jonathan H. Clark, Laurent El Shafey, Yanping Huang, Kathy Meier-Hellstern, Gaurav Mishra, Erica Moreira, Mark Omernick, Kevin Robinson, Sebastian Ruder, Yi Tay, Kefan Xiao, Yuanzhong Xu, Yujing Zhang, Gustavo Hernandez Abrego, Junwhan Ahn, Jacob Austin, Paul Barham, Jan Botha, James Bradbury, Siddhartha Brahma, Kevin Brooks, Michele Catasta, Yong Cheng, Colin Cherry, Christopher A. Choquette-Choo, Aakanksha Chowdhery, Clément Crepy, Shachi Dave, Mostafa Dehghani, Sunipa Dev, Jacob Devlin, Mark Díaz, Nan Du, Ethan Dyer, Vlad Feinberg, Fangxiaoyu Feng, Vlad Fienber, Markus Freitag, Xavier Garcia, Sebastian Gehrmann, Lucas Gonzalez, Guy Gur-Ari, Steven Hand, Hadi Hashemi, Le Hou, Joshua Howland, Andrea Hu, Jeffrey Hui, Jeremy Hurwitz, Michael Isard, Abe Ittycheriah, Matthew Jagielski, Wenhao Jia, Kathleen Kenealy, Maxim Krikun, Sneha Kudugunta, Chang Lan, Katherine Lee, Benjamin Lee, Eric Li, Music Li, Wei Li, YaGuang Li, Jian Li, Hyeontaek Lim, Hanzhao Lin, Zhongtao Liu, Frederick Liu, Marcello Maggioni, Aroma Mahendru, Joshua Maynez, Vedant Misra, Maysam Moussalem, Zachary Nado, John Nham, Eric Ni, Andrew Nystrom, Alicia Parrish, Marie Pellat, Martin Polacek, Alex Polozov, Reiner Pope, Siyuan Qiao, Emily Reif, Bryan Richter, Parker Riley, Alex Castro Ros, Aurko Roy, Brennan Saeta, Rajkumar Samuel, Renee Shelby, Ambrose Slone, Daniel Smilkov, David R. So, Daniel Sohn, Simon Tokumine, Dasha Valter, Vijay Vasudevan, Kiran Vodrahalli, Xuezhi Wang, Pidong Wang, Zirui Wang, Tao Wang, John Wieting, Yuhuai Wu, Kelvin Xu, Yunhan Xu, Linting Xue, Pengcheng Yin, Jiahui Yu, Qiao Zhang, Steven Zheng, Ce Zheng, Weikang Zhou, Denny Zhou, Slav Petrov, Yonghui Wu

cs.AI

Resumen

Presentamos PaLM 2, un nuevo modelo de lenguaje de vanguardia que posee mejores capacidades multilingües y de razonamiento, además de ser más eficiente en términos de computación que su predecesor, PaLM. PaLM 2 es un modelo basado en Transformer entrenado utilizando una mezcla de objetivos. A través de evaluaciones exhaustivas en tareas de lenguaje en inglés y multilingüe, así como de razonamiento, demostramos que PaLM 2 ha mejorado significativamente la calidad en tareas posteriores en diferentes tamaños de modelo, al mismo tiempo que exhibe una inferencia más rápida y eficiente en comparación con PaLM. Esta mayor eficiencia permite un despliegue más amplio y también posibilita que el modelo responda más rápido, ofreciendo un ritmo de interacción más natural. PaLM 2 muestra capacidades sólidas de razonamiento, ejemplificadas por grandes mejoras sobre PaLM en BIG-Bench y otras tareas de razonamiento. Además, PaLM 2 presenta un rendimiento estable en una serie de evaluaciones de IA responsable y permite el control en tiempo de inferencia sobre la toxicidad sin sobrecargas adicionales ni impacto en otras capacidades. En general, PaLM 2 logra un rendimiento de vanguardia en un conjunto diverso de tareas y capacidades. Al hablar de la familia PaLM 2, es importante distinguir entre los modelos preentrenados (de varios tamaños), las variantes ajustadas de estos modelos y los productos orientados al usuario que utilizan estos modelos. En particular, los productos orientados al usuario suelen incluir pasos adicionales de preprocesamiento y posprocesamiento. Además, los modelos subyacentes pueden evolucionar con el tiempo. Por lo tanto, no se debe esperar que el rendimiento de los productos orientados al usuario coincida exactamente con los resultados reportados en este informe.

English

We introduce PaLM 2, a new state-of-the-art language model that has better multilingual and reasoning capabilities and is more compute-efficient than its predecessor PaLM. PaLM 2 is a Transformer-based model trained using a mixture of objectives. Through extensive evaluations on English and multilingual language, and reasoning tasks, we demonstrate that PaLM 2 has significantly improved quality on downstream tasks across different model sizes, while simultaneously exhibiting faster and more efficient inference compared to PaLM. This improved efficiency enables broader deployment while also allowing the model to respond faster, for a more natural pace of interaction. PaLM 2 demonstrates robust reasoning capabilities exemplified by large improvements over PaLM on BIG-Bench and other reasoning tasks. PaLM 2 exhibits stable performance on a suite of responsible AI evaluations, and enables inference-time control over toxicity without additional overhead or impact on other capabilities. Overall, PaLM 2 achieves state-of-the-art performance across a diverse set of tasks and capabilities. When discussing the PaLM 2 family, it is important to distinguish between pre-trained models (of various sizes), fine-tuned variants of these models, and the user-facing products that use these models. In particular, user-facing products typically include additional pre- and post-processing steps. Additionally, the underlying models may evolve over time. Therefore, one should not expect the performance of user-facing products to exactly match the results reported in this report.