知识卡片
算力最优的数据平衡
Chinchilla规模法则研究训练预算下模型大小与训练token数的平衡。原书概括的约20倍比例来自特定稠密模型和主要人工数据的研究;不能把它直接当作所有混合专家、合成数据或部署场景的强制配比。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
- · 理解基础模型
原书出处 · 1 处
- · 查看原书依据
训练token数大约应该是模型参数量的20倍。这意味着,一个30亿参数的模型需要大约600亿个训练token。模型规模和训练token数应当等比例扩展:每当模型规模翻倍,训练token数也应翻倍。
参考来源
- 位置:《AI工程:大模型应用开发实战》第2章《理解基础模型》(来源项目:a19c7933-4eda-4176-aebd-30fe7e1ad292;源文件:extracted/AI工程:大模型应用开发实战/_epub-src/EPUB/xhtml/Section010.xhtml)
- 结论依据:原文定义、条件、机制或比较支持上述说明,案例数据限于原书语境。
- 原始内容:训练token数大约应该是模型参数量的20倍。这意味着,一个30亿参数的模型需要大约600亿个训练token。模型规模和训练token数应当等比例扩展:每当模型规模翻倍,训练token数也应翻倍。