知识卡片
训练最优未必部署最优
训练计算预算下最好的质量配置,未必带来最佳生产选择。更小模型可能更易部署、后续推理更便宜;请求量越大,生命周期内的推理成本越重要。因此要把服务需求与训练投入一起考虑,而不是只优化训练损失。
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
在实际生产环境中,模型质量并非唯一重要的因素。一些模型,尤其是Llama,虽然性能并非理论最优,但具有更强的实用性。在既定的算力预算下,Llama的作者本可以选择更大的模型以获得更好的性能,但他们选择了更小的模型。更小的模型更易于部署,推理成本更低,
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:在实际生产环境中,模型质量并非唯一重要的因素。一些模型,尤其是Llama,虽然性能并非理论最优,但具有更强的实用性。在既定的算力预算下,Llama的作者本可以选择更大的模型以获得更好的性能,但他们选择了更小的模型。更小的模型更易于部署,推理成本更低,