Расширение контекстного окна языковых моделей с использованием 100 образцов

Extending LLMs' Context Window with 100 Samples

January 13, 2024

Авторы: Yikai Zhang, Junlong Li, Pengfei Liu

cs.AI

Аннотация

Известно, что крупные языковые модели (LLM) обладают ограниченной способностью к экстраполяции за пределы их предварительно обученного контекстного окна, что ограничивает их применение в задачах с длинными входными данными. Недавние исследования были направлены на расширение контекстного окна LLM путем модификации ротационного позиционного кодирования (RoPE), популярного метода кодирования позиций, используемого известными LLM, такими как LLaMA, PaLM и GPT-NeoX. Однако предыдущие работы, такие как Position Interpolation (PI) и YaRN, требуют значительных ресурсов и не содержат сравнительных экспериментов для оценки их применимости. В данной работе мы выявляем необходимость поддержания стабильности энтропии внимания LLM (т.е. информационной энтропии оценок внимания) и предлагаем новое расширение RoPE, которое сочетает в себе настройку базовой частоты RoPE и масштабирование логарифмов внимания, чтобы помочь LLM эффективно адаптироваться к более широкому контекстному окну. Мы подтверждаем превосходство нашего метода как в производительности тонкой настройки, так и в устойчивости при различных размерах контекстного окна на различных задачах, требующих длинного контекста. Примечательно, что наш метод расширяет контекстное окно модели LLaMA-2-7B-Chat до 16 384 токенов, используя всего 100 образцов и 6 шагов обучения, демонстрируя исключительную эффективность. Наконец, мы также исследуем, как состав данных и учебные программы влияют на расширение контекстного окна для конкретных задач, предлагая тонкую настройку LLM на длинных диалогах в качестве хорошей отправной точки. Мы публикуем наш код и данные для тонкой настройки (SFT) по адресу https://github.com/GAIR-NLP/Entropy-ABF.

English

Large Language Models (LLMs) are known to have limited extrapolation ability beyond their pre-trained context window, constraining their application in downstream tasks with lengthy inputs. Recent studies have sought to extend LLMs' context window by modifying rotary position embedding (RoPE), a popular position encoding method adopted by well-known LLMs such as LLaMA, PaLM, and GPT-NeoX. However, prior works like Position Interpolation (PI) and YaRN are resource-intensive and lack comparative experiments to assess their applicability. In this work, we identify the inherent need for LLMs' attention entropy (i.e. the information entropy of attention scores) to maintain stability and introduce a novel extension to RoPE which combines adjusting RoPE's base frequency and scaling the attention logits to help LLMs efficiently adapt to a larger context window. We validate the superiority of our method in both fine-tuning performance and robustness across different context window sizes on various context-demanding tasks. Notably, our method extends the context window of LLaMA-2-7B-Chat to 16,384 with only 100 samples and 6 training steps, showcasing extraordinary efficiency. Finally, we also explore how data compositions and training curricula affect context window extension for specific downstream tasks, suggesting fine-tuning LLMs with lengthy conversations as a good starting point. We release our code and SFT data at https://github.com/GAIR-NLP/Entropy-ABF.