Leis de Escalonamento Observacional e a Previsibilidade do Desempenho de Modelos de Linguagem

Observational Scaling Laws and the Predictability of Language Model Performance

May 17, 2024

Autores: Yangjun Ruan, Chris J. Maddison, Tatsunori Hashimoto

cs.AI

Resumo

Compreender como o desempenho dos modelos de linguagem varia com a escala é crucial para o desenvolvimento de benchmarks e algoritmos. As leis de escalonamento são uma abordagem para construir esse entendimento, mas a necessidade de treinar modelos em várias escalas diferentes limitou seu uso. Propomos uma abordagem alternativa, observacional, que contorna o treinamento de modelos e, em vez disso, constrói leis de escalonamento a partir de ~80 modelos publicamente disponíveis. Construir uma única lei de escalonamento a partir de múltiplas famílias de modelos é desafiador devido às grandes variações em suas eficiências e capacidades de computação de treinamento. No entanto, mostramos que essas variações são consistentes com uma lei de escalonamento generalizada e simples, onde o desempenho do modelo de linguagem é uma função de um espaço de capacidades de baixa dimensionalidade, e as famílias de modelos variam apenas em sua eficiência em converter computação de treinamento em capacidades. Usando essa abordagem, mostramos a surpreendente previsibilidade de fenômenos complexos de escalonamento: mostramos que vários fenômenos emergentes seguem um comportamento suave e sigmoidal e são previsíveis a partir de modelos pequenos; mostramos que o desempenho de agentes de modelos como o GPT-4 pode ser previsto com precisão a partir de benchmarks não agentes mais simples; e mostramos como prever o impacto de intervenções pós-treinamento, como Chain-of-Thought e Self-Consistency, à medida que as capacidades dos modelos de linguagem continuam a melhorar.

English

Understanding how language model performance varies with scale is critical to benchmark and algorithm development. Scaling laws are one approach to building this understanding, but the requirement of training models across many different scales has limited their use. We propose an alternative, observational approach that bypasses model training and instead builds scaling laws from ~80 publically available models. Building a single scaling law from multiple model families is challenging due to large variations in their training compute efficiencies and capabilities. However, we show that these variations are consistent with a simple, generalized scaling law where language model performance is a function of a low-dimensional capability space, and model families only vary in their efficiency in converting training compute to capabilities. Using this approach, we show the surprising predictability of complex scaling phenomena: we show that several emergent phenomena follow a smooth, sigmoidal behavior and are predictable from small models; we show that the agent performance of models such as GPT-4 can be precisely predicted from simpler non-agentic benchmarks; and we show how to predict the impact of post-training interventions like Chain-of-Thought and Self-Consistency as language model capabilities continue to improve.