大语言模型问题求解
现在为什么大语言模型都是decoder-only。😭
全部评论
非要找个理由的话:decoder-only采用的是因果注意力机制,causal attention mask保证了attention score一定是满秩的,而bi-direction attention mask,也就是encoder里所用的不能保证满秩。显而易见,参数矩阵的秩和它的学习能力是相关的。所以decoder-only架构潜力更大,因此也需要更多的数据才训练,模型做大的时候,它的capability是随着尺寸变大有着一个稳定增长。
实际情况:海量数据+更强的训练工程。
推荐苏神博客 https://kexue.fm/archives/9529
我的理解是因为对话系统理论上输入是无限长的,随着轮数增加输入会越来越长,不同轮数长度差距很大,encoder采用pad的方式不擅长做这种长度区间差异过大的问题,而且只有decoder情况下,预训练和sft只是数据上不同,训练上差别不大
m
相关推荐
点赞 评论 收藏
分享
点赞 评论 收藏
分享
点赞 评论 收藏
分享