Para peneliti dan insinyur NVIDIA telah meluncurkan metode baru untuk mengoptimalkan model bahasa skala besar (LLM) dengan mengintegrasikan pemangkasan bobot terstruktur dan distilasi pengetahuan. Metode ini bertujuan untuk memperkecil ukuran model sambil mempertahankan kinerja tinggi, meningkatkan efisiensi penerapan dan efektivitas biaya.

Proses pemangkasan model secara strategis menghilangkan parameter yang tidak diperlukan dari jaringan saraf tiruan, sehingga mengurangi ukuran model secara signifikan tanpa memengaruhi akurasi secara signifikan. Optimalisasi ini diharapkan dapat meningkatkan kecepatan inferensi dan mengurangi biaya komputasi. Pendekatan NVIDIA memanfaatkan pemangkasan kedalaman dan keluasan untuk menyesuaikan kompleksitas dan ukuran model dengan kebutuhan spesifik.

Di sisi lain, distilasi pengetahuan melatih model "siswa" yang lebih kecil untuk meniru kinerja model "guru" yang lebih besar. Teknik ini memungkinkan model siswa beroperasi lebih efisien sambil mempertahankan kinerja tinggi model guru. Implementasi metode ini oleh NVIDIA menggunakan TensorRT Model Optimizer, sehingga strategi ini lebih mudah diterapkan dalam skala besar.

Kombinasi pemangkasan dan distilasi telah terbukti efektif dalam menciptakan model bahasa kecil (SLM) yang sesuai untuk lingkungan produksi dan aplikasi edge. Kemajuan NVIDIA di bidang ini menunjukkan potensi untuk membuat perangkat NLP yang canggih lebih mudah diakses dan praktis untuk diadopsi. Bagi mereka yang tertarik menerapkan teknik ini, NVIDIA menyediakan sumber daya dan panduan terperinci melalui kerangka kerja NeMo 2.0 dan dokumentasi terkait.