Generatived (Beta) | Cung cấp tin tức và xu hướng mới nhất về AI sáng tạo

Các nhà nghiên cứu và kỹ sư của NVIDIA đã công bố một phương pháp mới để tối ưu hóa các mô hình ngôn ngữ quy mô lớn (LLM) bằng cách tích hợp phương pháp cắt tỉa trọng số có cấu trúc và phương pháp chưng cất tri thức. Phương pháp này nhằm mục đích thu nhỏ kích thước mô hình mà vẫn duy trì hiệu suất cao, cải thiện hiệu quả triển khai và hiệu quả chi phí.

Quy trình cắt tỉa mô hình loại bỏ một cách chiến lược các tham số không cần thiết khỏi mạng nơ-ron, giảm đáng kể kích thước mô hình mà không ảnh hưởng đáng kể đến độ chính xác. Việc tối ưu hóa này được kỳ vọng sẽ cải thiện tốc độ suy luận và giảm chi phí tính toán. Phương pháp của NVIDIA tận dụng cả phương pháp cắt tỉa theo chiều sâu và chiều rộng để điều chỉnh độ phức tạp và kích thước của mô hình theo các nhu cầu cụ thể.

Mặt khác, phương pháp chưng cất tri thức huấn luyện các mô hình "học viên" nhỏ hơn để mô phỏng hiệu suất của một mô hình "giáo viên" lớn hơn. Kỹ thuật này cho phép mô hình học viên hoạt động hiệu quả hơn trong khi vẫn duy trì hiệu suất cao của mô hình giáo viên. Việc triển khai phương pháp này của NVIDIA sử dụng Trình tối ưu hóa Mô hình TensorRT, giúp các chiến lược này dễ dàng áp dụng ở quy mô lớn hơn.

Sự kết hợp giữa cắt tỉa và chưng cất đã được chứng minh là hiệu quả trong việc tạo ra các mô hình ngôn ngữ quy mô nhỏ (SLM) phù hợp với môi trường sản xuất và các ứng dụng biên. Những tiến bộ của NVIDIA trong lĩnh vực này cho thấy tiềm năng giúp các công cụ NLP mạnh mẽ dễ tiếp cận và thiết thực hơn. Đối với những ai quan tâm đến việc áp dụng các kỹ thuật này, NVIDIA cung cấp tài nguyên và hướng dẫn chi tiết thông qua khuôn khổ NeMo 2.0 và tài liệu liên quan.