Datasets:

ohsuz

/

arxiv-translation

like 1

In Section 4 we showed that we can express the (unavailable) ground-truth reward through its corresponding optimal policy:

섹션 4에서 우리는 상응하는 최적 정책을 통해 (이용할 수 없는) 지상 진실 보상을 표현할 수 있음을 보여주었다:

Most commercial LLMs, like ChatGPT (OpenAI, 2023), Gemini (Gemini Team, 2023), and Perplexity.ai already employ some version of RAG in their Web interfaces. For example, ChatGPT employs a Bing search whereas Gemini accesses Google Search results. Though RAG has quickly become a default feature of user-facing LLM systems, most evaluations of LLM capabilities are still performed on the non-RAG counterparts (Zheng et al., 2023). This is problematic, as a model's default and RAG-enabled responses can drastically diverge depending on the quality and accuracy of the retrieved content. This problem is compounded when considering that web results constantly change, and can contain outdated, incorrect, or harmful information (Dash et al., 2023; Daws, 2020; Nastasi et al., 2023). Thus, objective evaluations of RAG-enabled LLM behavior are as important as benchmarking their non-RAG counterparts, especially as RAG systems are increasingly relied upon to provide factual information in a myriad of domains.

ChatGPT(OpenAI, 2023), Gemini(Gemini Team, 2023), Perplexity.ai와 같은 대부분의 상용 LLM은 이미 웹 인터페이스에 일부 버전의 RAG를 사용한다. 예를 들어 ChatGPT는 Bing 검색을 사용하는 반면 Gemini는 Google 검색 결과에 액세스합니다. RAG가 사용자-대면 LLM 시스템들의 디폴트 특징이 빠르게 되었지만, LLM 능력들의 대부분의 평가들은 여전히 비-RAG 대응물들에 대해 수행된다(Zheng et al., 2023). 이는 모델의 기본값 및 RAG 지원 응답이 검색된 콘텐츠의 품질과 정확도에 따라 크게 달라질 수 있기 때문에 문제가 된다. 이 문제는 웹 결과가 지속적으로 변화한다는 것을 고려할 때 더 복잡해지며, 구식, 부정확한 또는 유해한 정보를 포함할 수 있다(Dash et al., 2023; Daws, 2020; Nastasi et al., 2023). 따라서 RAG 지원 LLM 행동에 대한 객관적인 평가는 특히 RAG 시스템이 무수히 많은 도메인에서 사실 정보를 제공하는 데 점점 더 의존하기 때문에 비 RAG 대응물을 벤치마킹하는 것만큼 중요하다.

For the \(1000\)-exposure setting, the model's final performance is _not very sensitive_ to learning rate choices due to sufficient training. The following parameters were chosen for generating Figure 1(a):

\(1000\)-노출 설정의 경우 모델의 최종 성능은 충분한 훈련으로 인해 학습률 선택에 매우 민감하지 않습니다. 다음 파라미터들이 도 1(a)를 생성하기 위해 선택되었다:

Evaluating different LLMs can be seen also from different perspectives. For example, a LLM with a drastically fewer number of parameters is not completely comparable to one with a larger number of parameters. From this perspective, we will categorize LLMs in four categories as well: **small** (less than or equal to 1 billion parameters), **medium** (between 1 and 10 billion), **large** (between 10 and 100 billion), and **very large** (more than 100 billion). Another classification for the LLMs we use is their primary use case. We consider each LLM to be either: **Foundation** model (pretrained language model with no instruction fine-tuning and chat fine-tuning), **Instruction** model (pretrained language model with only instruction fine-tuning), and **Chat** model (pretrained language model with instruction and chat fine-tuning). Apart from all the categorization described, another category is required to distinguish between original models and tuned ones. **Original** models are those that have been released as a foundation model or a fine-tuned one. **Tuned** models are those that grasped the original model and tuned it with different datasets or even different training approaches. It is also good to note that original models are usually foundation models that have been fine-tuned on specific datasets or even different approaches. Availability of the model weights regardless of the license is another category in our classification. Models that have their weights publicly available (even through request) are noted as **Public** models while others are noted as **Private**. Table III shows all of these definitions and abbreviations used in the rest of the article. Figure 43 illustrate these visually.

다른 LLM을 평가하는 것은 다른 관점에서도 볼 수 있다. 예를 들어, 매개변수 수가 급격히 적은 LLM은 매개변수 수가 더 많은 LLM과 완전히 비교할 수 없다. 이러한 관점에서 LLM은 **작은**(10억 매개 변수 이하), **중간**(10억에서 100억 사이), **큰**(10억에서 1000억 사이) 및 **매우 큰**(1000억 이상)의 네 가지 범주로 분류할 것입니다. 우리가 사용하는 LLMs에 대한 또 다른 분류는 그들의 주요 사용 사례이다. 각 LLM은 **Foundation** 모델(명령 미세 조정 및 채팅 미세 조정이 없는 사전 학습된 언어 모델), **명령** 모델(명령 미세 조정만 있는 사전 학습된 언어 모델) 및 **채팅** 모델(명령 및 채팅 미세 조정이 있는 사전 학습된 언어 모델) 중 하나로 간주됩니다. 설명된 모든 범주화 외에도 원래 모델과 조정된 모델을 구별하기 위해 다른 범주가 필요하다. **원본** 모델은 기초 모델 또는 미세 조정 모델로 출시된 모델입니다. **튜닝** 모델은 원래 모델을 파악하고 다른 데이터 세트 또는 심지어 다른 훈련 접근 방식으로 튜닝한 모델입니다. 원본 모델은 일반적으로 특정 데이터 세트 또는 심지어 다른 접근법에 대해 미세 조정된 기초 모델이라는 점에 주목하는 것도 좋다. 라이선스에 관계없이 모델 가중치의 가용성은 분류의 또 다른 범주이다. 중량이 공개적으로 사용 가능한 모델(요청을 통해서도)은 **공용** 모델로 표시되고 다른 모델은 **개인**으로 표시됩니다. 표 III은 나머지 기사에서 사용된 이러한 정의 및 약어를 모두 보여준다. 도 43은 이들을 시각적으로 도시한 것이다.

* For the reversal tasks of determining the person's full name, only in the entity-preserving reversal case do accuracies become non-trivial. Both token/word reversals completely fail in such tasks. * When determining a person's full name given only the birth date, the reversal task accuracy remains near zero; this is because dates are treated as three entities in our adopted entity detection method, so their ordering is _not preserved_ in the reversal. * If the reversal tasks are simplified to determining the person's _last name only_, then word-level reversal suffices, and token-level reversal also yields non-trivial accuracies. * Some readers may find it surprising that an entity-preserving method can determine the person's full name but not the person's last name. This is a known phenomenon (Allen-Zhu & Li, 2023b): a language model may completely fail at retrieving _later_ tokens of a knowledge piece (such as the last name) without the help of spelling out earlier tokens -- they can be viewed as a Chain of Thought (CoT).

* 사람의 전체 이름을 결정하는 반전 작업의 경우 엔터티 보존 반전 경우에만 정확성이 중요하지 않습니다. 토큰/워드 반전 모두 이러한 작업에서 완전히 실패합니다. * 생년월일만 주어진 사람의 전체 이름을 결정할 때 반전 작업 정확도는 0에 가깝게 유지됩니다. 이는 날짜가 채택된 엔터티 탐지 방법에서 세 개의 엔터티로 처리되므로 반전에서 순서가 _보존되지_ 않기 때문입니다. * 반전 작업을 사용자의 _성만_ 결정으로 단순화하는 경우 단어 수준 반전으로 충분하고 토큰 수준 반전도 중요하지 않은 정확도를 제공합니다. * 일부 독자는 엔터티 보존 방법이 사람의 전체 이름을 결정할 수 있지만 사람의 성은 결정할 수 없다는 것이 놀랍다고 생각할 수 있습니다. 이것은 알려진 현상입니다 (Allen-Zhu & Li, 2023b): 언어 모델은 이전 토큰을 철자하지 않고 지식 조각(예: 성)의 _후기_ 토큰을 검색하는 데 완전히 실패할 수 있습니다. 이는 CoT(사슬 오브 사상)로 볼 수 있습니다.

* For \(N=50K\), we use \(wd=0.01\), \(lr=0.001\), and batch size 12; * For \(N=100K\), we use \(wd=0.01\), \(lr=0.001\), and batch size 24; * For \(N=200K\), we use \(wd=0.01\), \(lr=0.001\), and batch size 48; (except for GPT2-2-20, where \(lr=0.0005\) is used) * For \(N=500K\), we use \(wd=0.01\), \(lr=0.0005\), and batch size 96; * For \(N=1M\), we use \(wd=0.01\), \(lr=0.0005\), and batch size 192; * For \(N=2M\), we use \(wd=0.01\), \(lr=0.0003/0.0005/0.001\), and batch size 384; * For \(N=5M\), we use \(wd=0.01\), \(lr=0.0003/0.0005\), and batch size 768; * For \(N=10M\), we use \(wd=0.01\), \(lr=0.0002/0.0003/0.0005\), and batch size 1024; * For \(N=20M\), we use \(wd=0.002\), \(lr=0.0002/0.0003/0.0005\), and batch size 1536.22

* \(N=50K\)의 경우 \(wd=0.01\), \(lr=0.001\) 및 배치 크기 12를 사용합니다. * \(N=100K\)의 경우 \(wd=0.01\), \(lr=0.001\) 및 배치 크기 24를 사용합니다. * \(N=200K\)의 경우 \(wd=0.01\), \(lr=0.001\) 및 배치 크기 48을 사용합니다. (GPT2-2-20을 제외하고, 여기서 \(lr=0.0005\)를 사용합니다.) * \(N=500K\)의 경우 \(wd=0.01\), \(lr=0.0005\) 및 배치 크기 96을 사용합니다. * \(N=1M\)의 경우 \(wd=0.01\), \(lr=0.0005\) 및 배치 크기 192를 사용합니다. * \(N=2M\)의 경우 \(wd=0.01\), \(lr=0.0003/0.0005/0.001\) 및 배치 크기 384를 사용합니다. * \(N=5M\)의 경우 \(wd=0.01\), \(lr=0.0003/0.0005\) 및 배치 크기 768을 사용합니다. * \(N=10M\)의 경우 \(wd=0.01\), \(lr=0.0002/0.0003/0.0005\) 및 배치 크기 1024를 사용합니다. * \(N=20M\)의 경우 \(wd=0.002\), \(lr=0.0002/0.0003/0.0005\) 및 배치 크기 1536.22를 사용합니다.

Mathematically, let \(\mathcal{M}\) be a pre-trained model, and let \(\mathcal{Q}\) be a set of factual questions, as before. Now, assume we have a relevant auxiliary knowledge base \(\mathcal{B}_{\mathcal{Q}}\). Our objective is to discover a transformation, denoted as \(\mathcal{F}\), that, when applied, would enhance the knowledge about \(\mathcal{Q}\):

수학적으로, \(\mathcal{M}\)는 사전 훈련된 모델이고, \(\mathcal{Q}\)는 이전과 같이 사실적 질문의 집합이라고 하자. 이제, 우리가 관련 보조 지식 베이스 \(\mathcal{B}_{\mathcal{Q}}\)를 가지고 있다고 가정하자. 우리의 목표는 \(\mathcal{F}\)로 표기된 변환을 발견하는 것이며, 그것이 적용될 때, \(\mathcal{Q}\)에 대한 지식을 향상시킬 것이다:

the data-matched baseline, showing that in the data-bound case, reverse training even helps on standard tasks. In the compute-matched case, where the baseline has effectively access to more data, reversal training lags slightly behind for 5, 10 samples. Importantly, in both the data-matched and compute-matched case we see significant improvement in the reverse direction questions for reverse training compared to either baseline. This demonstrates that reverse training can be employed during the pre-training stage to make the model robust against the reversal curse.

데이터 매칭 기준선은 데이터 바인딩의 경우 역방향 훈련이 표준 작업에도 도움이 된다는 것을 보여준다. 기준선이 더 많은 데이터에 효과적으로 액세스할 수 있는 계산 일치의 경우 반전 훈련은 5, 10개 샘플에 대해 약간 뒤처진다. 중요하게도, 데이터 매칭 및 컴퓨팅 매칭 사례 모두에서 우리는 어느 기준선에 비해 역방향 트레이닝에 대한 역방향 질문에서 상당한 개선을 본다. 이는 역전 저주에 강건한 모델을 만들기 위해 사전 훈련 단계에서 역전 훈련을 사용할 수 있음을 보여준다.

We disable learning rate warmup, set the batch size to 96, the learning rate to 0.001 (with linear decay down to 0), weight decay at 0.1, and finetune for 75,000 steps.

학습 속도 웜업을 해제하고 배치 크기를 96, 학습 속도를 0.001(선형 감쇠를 0으로 포함), 무게 감쇠를 0.1로 설정하고 75,000단계 동안 미세 조정한다.

Figure 10: The fit result of the scaling experiment with WSD Scheduler. The black dots in a horizontal line denotes the decayed checkpoints in different compute within a same model size.

그림 10: WSD Scheduler를 이용한 스케일링 실험의 적합도 결과. 수평선의 검은색 점은 동일한 모델 크기 내에서 서로 다른 계산에서 감쇠된 체크포인트를 나타냅니다.

We set the input length to 32K for fine-tuning and increase to 500K for evaluating. We use a generation temperature of 0.5 and \(top_{p}=0.95\) and set the number of decoding steps to 1024 to generate a summary of each book.

미세 조정을 위해 입력 길이를 32K로 설정하고 평가를 위해 500K로 증가시킨다. 우리는 0.5와 \(top_{p}=0.95\)의 생성 온도를 사용하고 디코딩 단계 수를 1024로 설정하여 각 책의 요약을 생성한다.

Recent works have shown that Transformer-based (Vaswani et al., 2017) Large Language Models (LLMs) store and retrieve factual information in their parameters to complete simple prompts such as _"The mother of Stevie Wonder is"_(Petroni et al., 2019; Meng et al., 2022; Geva et al., 2021, 2022, 2023; Zhu and Li, 2023). In addition, LLMs have demonstrated remarkable _in-context_ reasoning abilities when the necessary information is explicitly given as part of the input (Wei et al., 2022). For example, models can infer "Lula" as a possible completion of _"The mother of Stevie Wonder is Lula. The singer of 'Superstition' is Stevie Wonder. The mother of the singer of 'Superstition' is"_. These findings raise a question: Do LLMs retrieve factual information stored in their parameters and perform _latent multi-hop reasoning_ when the information to reason from is _not_ given as a part of the input? For instance, when LLMs process the two-hop prompt _"The mother of the singer of 'Superstition' is"_, do they (1) figure out that "the singer of 'Superstition'" refers to Stevie Wonder and (2) use their knowledge of who Stevie Wonder's mother is to complete the prompt?

최근 연구에 따르면 Transformer-based (Vaswani et al., 2017) Large Language Models (LLMs)는 _"The mother of Stevie Wonder is "_(Petroni et al., 2019; Meng et al., 2022; Geva et al., 2021, 2022, 2023; Zhu and Li, 2023)와 같은 간단한 프롬프트를 완료하기 위해 그들의 파라미터에 사실 정보를 저장하고 검색한다. 또한, LLM은 필요한 정보가 입력의 일부로서 명시적으로 주어질 때 현저한 _in-context_ 추론 능력을 입증했다(Wei et al., 2022). 예를 들어, 모델들은 _"스티비 원더의 어머니는 룰라이다. '슈퍼스티션'의 가수는 스티비 원더이다. '슈퍼스티션'의 가수의 어머니는 _"의 가능한 완성으로 " 룰라"를 추론할 수 있다. 이러한 결과는 다음과 같은 문제를 제기합니다. LLM은 매개 변수에 저장된 사실 정보를 검색하고 추론할 정보가 입력의 일부로 주어지지 않은 경우 _잠재 다중 홉 추론_을 수행합니까? 예를 들어 LLM이 2홉 프롬프트를 처리할 때 _"Superstition'의 가수의 어머니가 "_"인 경우, 그들은 (1) "Superstition'의 가수가 스티비 원더를 지칭한다는 것을 파악하고 (2) 스티비 원더의 어머니가 누구인지에 대한 지식을 사용하여 프롬프트를 완료합니까?

To build a trustworthy benchmark, the grading system needs to be consistent, reproducible, interpretable and well-documented. The WG is committed to being transparent in its entire

신뢰할 수 있는 벤치마크를 구축하려면 등급 시스템이 일관되고 재현 가능하며 해석 가능하고 잘 문서화되어야 한다. WG는 전체적으로 투명해지는 데 전념하고 있다.

DoQAWe use the test set of DoQA for the evaluation. Its test set consists of 1200 dialogues with 5394 user-agent turns across Cooking, Travel and Movie domains. Among 5394 user-agent turns, there are 1479 (around 27.4%) unanswerable questions. We use the same strategy as the one mentioned in QuAC dataset to incorporate unanswerable samples into the evaluation.

DoQA 평가를 위해 DoQA의 테스트 세트를 사용한다. 테스트 세트는 요리, 여행 및 영화 도메인에서 5394개의 사용자 에이전트가 회전하는 1200개의 대화로 구성됩니다. 5394개의 사용자-에이전트 회전 중 1479개(약 27.4%)의 응답할 수 없는 질문이 있다. QuAC 데이터 세트에서 언급한 것과 동일한 전략을 사용하여 응답할 수 없는 샘플을 평가에 통합한다.

LLMs have shown impressive capabilities in many downstream tasks in a zero/few-shot setting such as summarization, reading comprehension, translation, and commonsense reasoning Brown et al. (2020); Touvron et al. (2023). To train a LLM, the currently established approach is to employ a tokenizer that splits the training documents into tokens where a token represents a word Bengio et al. (2000), a sub-word Schuster and Nakajima (2012); Sennrich et al. (2015); Wang et al. (2020), or a single character Gao et al. (2020), and each token is represented in the model by an embedding vector that can be further processed.

LLM은 요약, 독해, 번역 및 상식 추론 Brown 등(2020); Touvron 등(2023)과 같은 제로/페우 샷 환경에서 많은 다운스트림 작업에서 인상적인 능력을 보여주었다. LLM을 트레이닝하기 위해, 현재 확립된 접근법은 트레이닝 문서들을 토큰들로 분할하는 토큰화기를 채용하는 것이며, 여기서 토큰은 단어 Bengio 등(2000), 서브워드 Schuster 및 Nakajima(2012); Sennrich 등(2015); Wang 등(2020), 또는 단일 문자 Gao 등(2020)을 나타내고, 각각의 토큰은 추가로 프로세싱될 수 있는 임베딩 벡터에 의해 모델에서 표현된다.

(3) **Vicuna** is an open-source chatbot that can generate natural and engaging responses to user queries. It is based on LLaMA and fine-tuned on 70K user-shared conversations collected from ShareGPT, a website where people share their ChatGPT interactions. It is one of the most advanced and versatile open instruction-following models available today. We use the 7B model from FastChat 6.

(3) **Vicuna** 는 사용자 쿼리에 대 한 자연스럽고 매력적인 응답을 생성할 수 있는 오픈 소스 챗봇입니다. 그것은 LLaMA를 기반으로 하며 사람들이 ChatGPT 상호 작용을 공유하는 웹사이트 ShareGPT에서 수집된 70K 사용자 공유 대화를 미세 조정한다. 오늘날 사용할 수 있는 가장 진보되고 다재다능한 개방형 명령어 후속 모델 중 하나입니다. 우리는 FastChat 6의 7B 모델을 사용한다.

Our work examines the forgetting occurrence during continual pre-training on an existing fine-tuned LLM. Our paper primarily focuses on continual pre-training using the Traditional Chinese corpus. We evaluate the impact of continual pre-training across various dimensions, including output format, knowledge, and reliability. We show that more than straightforward methods are required for resolving this issue. Also, we observe an increased prominence of the repetition problem in models that tend to generate Traditional Chinese outputs. Lastly, despite continual pre-training, our findings suggest that the model's knowledge remains unaffected while its reliability declines.

우리의 연구는 기존의 미세 조정된 LLM에 대한 지속적인 사전 훈련 중 망각 발생을 조사한다. 우리의 논문은 주로 중국 전통 말뭉치를 이용한 지속적인 사전 훈련에 초점을 맞추고 있다. 우리는 출력 형식, 지식 및 신뢰성을 포함한 다양한 차원에 걸쳐 지속적인 사전 훈련의 영향을 평가한다. 우리는 이 문제를 해결하기 위해 단순한 방법 이상의 방법이 필요하다는 것을 보여준다. 또한 전통적인 중국어 출력을 생성하는 경향이 있는 모델에서 반복 문제의 중요성이 증가했음을 관찰한다. 마지막으로, 지속적인 사전 훈련에도 불구하고, 우리의 연구 결과는 모델의 지식이 영향을 받지 않는 반면 신뢰성은 감소한다는 것을 시사한다.

**10% Steps are Enough.** From the two stage training perspective, shortening the decay stage will greatly benefit the fast test of different model checkpoints of stable training. Therefore, we conduct experiments that start from the same stable training checkpoints and have different decay steps. Also shown in Figure 5, among all three stable training checkpoints in 40N, 60N, and 80N training data, having a decay of 10% of the total tokens is sufficient to achieve the best results, while a decay of 2.5% of total tokens falls short. Therefore, in the subsequent training experiments, we use a decay of about 10% to ensure full convergence.

**10% 단계는 충분합니다.* * 두 단계 훈련 관점에서 붕괴 단계를 단축하면 안정적인 훈련의 서로 다른 모델 체크포인트의 빠른 테스트에 큰 도움이 됩니다. 따라서 우리는 동일한 안정적인 훈련 체크포인트에서 시작하여 감쇠 단계가 다른 실험을 수행한다. 그림 5에서도 볼 수 있듯이 40N, 60N, 80N 훈련 데이터의 세 가지 안정적인 훈련 체크포인트 중 총 토큰의 10%의 감쇠는 최상의 결과를 얻기에 충분하지만 총 토큰의 2.5%의 감쇠는 부족한다. 따라서, 후속 훈련 실험에서, 우리는 완전한 수렴을 보장하기 위해 약 10%의 감쇠를 사용한다.

\(\bullet\)_Reward model based approaches._ The reward model in RLHF has been trained to measure the alignment degree on the responses of LLMs. It is straightforward to leverage existing reward models to select high-quality responses as alignment data for subsequent fine-tuning. Based on this idea, RAFT [373] adopts reward models trained on human preference data to rank the responses of LLMs and collect those with higher rewards for supervised fine-tuning. In addition, the reward model can be also used to score model responses and assign them to different quality groups. Quark [384] sorts the responses of LLMs into different quantiles based on the reward scores. Each quantile is attached with a special reward token to represent the reward level of the quantile. Conditioned on the highest-reward tokens, LLMs are subsequently prompted to generate high-quality responses. Given an initial answer and the corresponding human feedback, ILF [385] first adopts LLMs to generate refined answers, then utilizes the reward model to select the answer that best matches the feedback for further training. As valuable resources for aligning LLMs, several reward models have been released, including DeBERTabase/large/xlarge from OpenAssistant27, Moss-7B from Fudan28, and Flan-T5-xl from Stanford29.

\(\bullet\)_보상 모델 기반 접근법._ RLHF의 보상 모델은 LLM의 응답에 대한 정렬 정도를 측정하기 위해 훈련되었다. 기존 보상 모델을 활용하여 고품질 반응을 후속 미세 조정을 위한 정렬 데이터로 선택하는 것은 간단합니다. 이러한 아이디어에 기초하여, RAFT[373]는 인간 선호도 데이터에 대해 트레이닝된 보상 모델들을 채택하여 LLM들의 응답들의 순위를 매기고 감독된 미세 조정에 대해 더 높은 보상을 갖는 것들을 수집한다. 또한, 보상 모델은 모델 응답들을 스코어링하고 상이한 품질 그룹들에 할당하기 위해 또한 사용될 수 있다. 쿼크[384]는 보상 점수에 기초하여 LLM의 응답을 상이한 분위수로 정렬한다. 각 분위에는 분위의 보상 수준을 나타내기 위해 특별한 보상 토큰이 부착되어 있다. 최고 리워드 토큰에 대해 조건화된 LLM은 후속적으로 고품질 응답을 생성하도록 프롬프트된다. 초기 답변 및 대응하는 인간 피드백이 주어지면, ILF[385]는 먼저 LLMs를 채택하여 정제된 답변을 생성한 다음, 보상 모델을 활용하여 추가 트레이닝을 위해 피드백과 가장 일치하는 답변을 선택한다. LLM을 정렬하기 위한 귀중한 자원으로 OpenAssistant27의 DeBERTabase/large/xlarge, Fudan28의 Moss-7B, Stanford29의 Flan-T5-xl 등 여러 보상 모델이 출시되었다.

An example of how these ethical theories would apply to a specific ethical dilemma is the ethical use of artificial intelligence. Virtue ethics would suggest that the best way to ensure ethical AI use is to prioritize the development of moral virtues such as transparency, accountability, and fairness. Deontological ethics, on the other hand, would dictate that AI systems must be designed and used in a way that adheres to a set of pre-defined moral rules, regardless of the consequences.

이러한 윤리 이론이 특정 윤리적 딜레마에 어떻게 적용될 것인가에 대한 예는 인공 지능의 윤리적 활용이다. 덕 윤리는 윤리적 AI 사용을 보장하는 가장 좋은 방법은 투명성, 책임성, 공정성과 같은 도덕적 덕목의 개발을 우선시하는 것이라고 제안할 것이다. 반면에 의무론적 윤리는 AI 시스템이 결과에 관계없이 미리 정의된 일련의 도덕적 규칙을 준수하는 방식으로 설계되고 사용되어야 한다고 지시할 것이다.

Multiple epochs.Instead of looking for "unique" tokens to make up a trillion-scale pretraining dataset, one could simply repeat data over multiple epochs. Popular models like OPT and NeoX-20B do this for up to 2 epochs, and most curated datasets upsample corpora 2-5 times. However, Hernandez et al. (2022) has recently shown that models with 100B+ parameters may be sensitive to even just a few epochs. Orthogonal to our work lies a line of research exploring tradeoffs in the data-constrained regime: can deduplication help sustain more epochs? Are multiple epochs on higher quality data better than a one epoch on lower quality data? See Appendix E.3 for a more in-depth discussion.

여러 시대.조 규모의 사전 훈련 데이터 세트를 구성하기 위해 "고유한" 토큰을 찾는 대신 여러 시대에 걸쳐 데이터를 반복할 수 있습니다. OPT 및 NeoX-20B와 같은 인기 있는 모델은 최대 2개의 에폭에 대해 이 작업을 수행하며 대부분의 큐레이트된 데이터 세트는 2-5회 말뭉치를 업샘플링합니다. 그러나 Hernandez et al.(2022)은 최근 100B+ 매개변수를 가진 모델이 몇 번의 에포크에도 민감할 수 있음을 보여주었다. 우리의 작업과 직교하는 것은 데이터 제약 체제에서 절충점을 탐구하는 연구 라인에 있다: 중복 제거가 더 많은 시대를 지속하는 데 도움이 될 수 있는가? 고품질 데이터의 여러 에포크가 저품질 데이터의 한 에포크보다 나은가요? 자세한 내용은 부록 E.3을 참조하십시오.

On Friday, the mechanic repaired 12 car tires and didn't repair any truck tires. Therefore, the revenue earned on Friday can be calculated as follows:

금요일에 정비사는 자동차 타이어 12개를 수리했고 트럭 타이어는 수리하지 않았다. 따라서 금요일에 벌어들인 수익은 다음과 같이 계산될 수 있다:

Quantization is a popular strategy for decreasing a model's memory footprint and speeding up inference. In addition to these benefits, using lower-precision number representations also effectively adds noise. As noted in Section 8.2, adding noise to the output logits could prevent our attack. A natural question that follows is, does quantization add sufficient noise to make our attack ineffective or more difficult to carry out?

양자화는 모델의 메모리 공간을 줄이고 추론을 빠르게 하기 위한 인기 있는 전략이다. 이러한 이점 외에도 더 낮은 정밀도 수 표현을 사용하면 노이즈도 효과적으로 추가된다. 섹션 8.2에서 언급했듯이 출력 로짓에 노이즈를 추가하면 공격을 방지할 수 있다. 다음의 자연스러운 질문은 양자화가 우리의 공격을 비효율적으로 만들거나 수행하기 더 어렵게 만들기에 충분한 노이즈를 추가하느냐이다.

**Action Space**: Action space refers to the set of possible actions that can be performed by the agent. In general, we can roughly divide these actions into two classes: (1) external tools and (2) internal knowledge of the LLMs. In the following, we introduce these actions more in detail.

**작업 공간**: 작업 공간은 에이전트에서 수행할 수 있는 가능한 작업 집합을 나타냅니다. 일반적으로 우리는 이러한 행동을 (1) 외부 도구와 (2) LLM에 대한 내부 지식의 두 가지 클래스로 대별할 수 있다. 이하에서는 이러한 행위를 좀 더 구체적으로 소개하고자 한다.

LanguagesWe adopt \(6\) languages including English (En), German (De), French (Fr), Chinese (Zh), Spanish (Es), and Russian (Ru). These languages were selected because their training corpora represent over \(0.1\%\) of the total pre-training data for Llama2. Furthermore, both Vicuna and Mistral are designed to tackle problems across these languages effectively, and their performance in these languages is much higher than in other low-resource languages such as Thai, Swahili, and Greek.

우리는 영어(En), 독일어(De), 프랑스어(Fr), 중국어(Zh), 스페인어(Es), 러시아어(Ru)를 포함한 \(6\) 언어를 채택한다. 이들 언어는 Llama2에 대한 전체 사전 훈련 데이터의 \(0.1\%\) 이상을 나타내기 때문에 선택되었다. 또한, Vicuna와 Mistral은 이들 언어들 사이의 문제를 효과적으로 해결하도록 설계되었으며, 이들 언어에서의 성능은 태국어, 스와힐리어, 그리스어와 같은 다른 저자원 언어들에 비해 훨씬 높다.

3. Model Architecture: Choose a suitable model architecture that can handle a wide range of tasks and has the ability to learn from different types of data. InstructGPT is a good choice for this task since it is designed for natural language processing.

3. 모델 아키텍처: 광범위한 작업을 처리할 수 있고 상이한 유형의 데이터로부터 학습할 수 있는 능력을 갖는 적합한 모델 아키텍처를 선택한다. InstructGPT는 자연어 처리를 위해 설계되었기 때문에 이 작업에 좋은 선택이다.

We pulled Olympics records pages from Wikipedia.org across 9 sports: Athletics, weightlifting, swimming, archery, track cycling, rowing, shooting, short track speed skating, and speed skating. Records are extracted in a table format, from which questions are generated for each record entry. In total, after filtering, we extracted 192 unique questions and answers.

우리는 위키피디아.org에서 육상, 역도, 수영, 양궁, 트랙 사이클, 조정, 사격, 쇼트트랙 스피드 스케이팅, 스피드 스케이팅 등 9개 종목에 걸쳐 올림픽 기록 페이지를 뽑았다. 레코드는 테이블 형식으로 추출되며, 이로부터 각 레코드 항목에 대한 질문이 생성된다. 전체적으로 필터링 후 192개의 고유한 질문과 답변을 추출했다.

Note that this algorithm still requires that the dataset itself fits in memory (so that we can efficiently index in arbitrary positions), but we do not need to fit the entire suffix array into memory. This is fortunate since our suffix array requires an \(8\times\) space overhead. For example, the suffix array for the \(350\)GB C4 is \(1.5\)TB.

이 알고리즘은 데이터세트 자체가 (임의의 위치에서 효율적으로 인덱싱할 수 있도록) 메모리에 적합해야 하지만, 전체 접미사 배열을 메모리에 적합시킬 필요는 없다는 점에 유의한다. 우리의 접미사 배열은 \(8\times\) 공간 오버헤드가 필요하기 때문에 이것은 다행입니다. 예를 들어, \(350\)GB C4에 대한 접미사 배열은 \(1.5\)TB입니다.

Recently, the AI landscape has borne witness to the emergence of numerous open-source LLMs, characterized by publicly accessible model codes and weight parameters. EleutherAI has contributed GPT-NeoX-20B [54] and GPT-J-6B [48]. BigScience has introduced BLOOM [55]. Similarly, Meta has made strides by releasing OPT [53], Llama 1 [4], Llama 2 [20], and GAL [14]. Tsinghua University has unveiled GLM-130B and ChatGLM [45]. TII has facilitated the release of Falcon [21]. Additionally, LLMs such as Baichuan9 and Qwen10 have also surfaced. Presently, Llama assumes a pivotal role as the foundational model for supervised fine-tuning, ushering in the emergence of several extremely remarkable models, including Alpaca [22], Vicuna [23], Guanaco [56], WizardLM [24], and Orca [57], RFT [16] etc.

최근 AI 경관은 공개적으로 액세스할 수 있는 모델 코드와 가중치 매개변수로 특징지어지는 수많은 오픈 소스 LLM이 출현하는 것을 목격했다. EleutherAI는 GPT-NeoX-20B[54]와 GPT-J-6B[48]에 기여했다. 빅사이언스는 BLOOM[55]을 도입했다. 유사하게, 메타는 OPT[53], Llama 1[4], Llama 2[20], 및 GAL[14]을 방출함으로써 진보를 이루었다. 칭화대는 GLM-130B와 ChatGLM[45]를 공개했다. TII는 팔콘의 방출을 촉진했다[21]. 또 바이촨9, 큐웬10 등 LLM도 수면 위로 떠올랐다. 현재 Llama는 감독 미세 조정을 위한 기본 모델로 중추적인 역할을 하며 Alpaca[22], Vicuna[23], Guanaco[56], WizardLM[24], Orca[57], RFT[16] 등을 포함한 몇 가지 매우 놀라운 모델의 출현을 예고한다.

**LLM-enhanced Recommendation Models.** In addition to instructing LLMs to directly provide recommendations, researchers also propose leveraging the universal knowledge encoded in LLMs to improve traditional recommender systems. Existing approaches in this line can be divided into three main categories. The first category employs LLMs to infer users' potential intention from their historical interaction data. Furthermore, traditional recommendation/search models employ the inferred intentions to improve the retrieval of relevant items [812, 813]. Additionally, several studies explore the use of LLMs as feature encoders. They employ LLMs to encode the side information of items and users (_e.g._, item's descriptions and user's reviews), thus deriving more informative representations of users and items. These representations are then fed into traditional recommender systems as augmented input [814, 815]. As another alternative approach, several studies [816, 817] adopt a distillation-like way to transfer LLM's capacities (_e.g._, semantic encoding) to improve traditional recommenders (_i.e._, small models). Specially, they align the hidden states of LLMs and traditional recommendation models via joint training. After training, since only the enhanced small model will be deployed online, it can avoid the huge overhead of LLMs in online service.

**LLM 강화 추천 모델** LLM이 권장 사항을 직접 제공하도록 지시하는 것 외에도 연구자는 LLM에 인코딩된 보편적인 지식을 활용하여 전통적인 추천 시스템을 개선하는 것도 제안한다. 이 라인의 기존 접근 방식은 크게 세 가지로 나눌 수 있다. 첫 번째 범주는 LLM을 사용하여 사용자의 과거 상호 작용 데이터에서 사용자의 잠재적 의도를 추론한다. 또한, 전통적인 추천/검색 모델은 관련 항목의 검색을 개선하기 위해 추론된 의도를 사용한다[812, 813]. 또한 여러 연구에서 LLM을 특징 인코더로 사용하는 방법을 탐구한다. 이들은 LLMs을 사용하여 아이템 및 사용자의 부가 정보(_e.g._, 아이템의 설명 및 사용자의 리뷰)를 인코딩하여 사용자 및 아이템의 보다 유익한 표현을 유도한다. 그런 다음, 이러한 표현들은 증강 입력으로서 전통적인 추천 시스템들로 공급된다[814, 815]. 다른 대안적 접근법으로서, 몇몇 연구들[816, 817]은 전통적인 추천자들(_i.e._, 소형 모델들)을 개선하기 위해 LLM들의 용량들(_e.g._, 시맨틱 인코딩)을 전달하는 증류-유사 방식을 채택한다. 특히, LLM과 전통적인 추천 모델의 숨겨진 상태를 합동 훈련을 통해 정렬한다. 교육 후에는 향상된 소형 모델만 온라인으로 배포되기 때문에 온라인 서비스에서 LLM의 막대한 오버헤드를 피할 수 있다.

State Space Model has been widely studied and applied in many applications, however, the research in this direction is still in its early stages. To help the readers quickly grasp the frontiers, this paper puts forward several research points worthy of attention.

State Space Model은 많은 응용 분야에서 널리 연구되고 적용되었지만, 이러한 방향으로의 연구는 아직 초기 단계에 있다. 독자들이 프론티어를 신속하게 파악할 수 있도록 하기 위해 본 논문에서는 주목할 만한 몇 가지 연구 포인트를 제시한다.

provides a mathematical representation of how the performance (\(P\)) of machine learning models scales with respect to three critical factors: model size (\(N\)), data size (\(D\)), and computational budget (\(C\)). Each of these components plays a crucial role in the model's ability to learn from data and perform tasks accurately. Here is a detailed explanation of each parameter within the formula:

기계 학습 모델의 성능(\(P\))이 모델 크기(\(N\)), 데이터 크기(\(D\)), 계산 예산(\(C\))의 세 가지 중요한 요소에 대해 어떻게 스케일링되는지에 대한 수학적 표현을 제공한다. 이러한 각 구성 요소는 데이터에서 학습하고 작업을 정확하게 수행하는 모델의 능력에 중요한 역할을 한다. 다음은 수식 내의 각 파라미터에 대한 상세한 설명이다:

Specialized Knowledge TasksThe key message from the results in Table 2 is that synthetic data can not impart 'new knowledge'. It can only help pre-train faster, which was also the premise of our work. In particular, we note several key findings:

전문화된 지식 과제 표 2의 결과에서 나온 핵심 메시지는 합성 데이터가 '새로운 지식'을 전달할 수 없다는 것이다. 그것은 우리의 작업의 전제이기도 했던 사전 훈련을 더 빠르게 도울 수 있을 뿐이다. 특히, 우리는 몇 가지 주요 발견에 주목한다.

Scaling up the generation of synthetic math data is a straightforward process, but ensuring the correctness of the generated math remains a significant challenge for practitioners. AlphaGeometry (Trinh et al., 2024) is a recent attempt to address this issue by training a neural model using 100 million synthetic data points. The model proposes solutions and guides a symbolic deduction engine in verifying the correctness of each branch when solving complex geometry problems. By combining the power of synthetic data with a rigorous verification process, AlphaGeometry achieves a problem-solving ability comparable to that of a human Olympiad gold medalist, demonstrating the potential of this approach in tackling complex mathematical reasoning tasks.

합성 수학 데이터의 생성을 확대하는 것은 간단한 과정이지만, 생성된 수학의 정확성을 보장하는 것은 실무자들에게 여전히 중요한 과제로 남아 있다. AlphaGeometry (Trinh et al., 2024)는 1억 개의 합성 데이터 포인트를 사용하여 신경망 모델을 트레이닝함으로써 이 문제를 해결하려는 최근의 시도이다. 이 모델은 복잡한 기하학 문제를 해결할 때 각 분기의 정확성을 검증하는 데 있어 솔루션을 제안하고 기호 추론 엔진을 안내한다. 알파기하학은 합성 데이터의 힘을 엄격한 검증 과정과 결합함으로써 인간 올림피아드 금메달리스트에 버금가는 문제 해결 능력을 달성하여 복잡한 수학적 추론 과제를 해결하는 데 있어 이 접근법의 잠재력을 보여준다.

Jurning discover a hidden on his brain. Prison house filled with action-team from school and the group size.

버닝은 그의 뇌에 숨겨진 것을 발견한다. 교도소에는 학교에서 온 액션 팀과 단체 규모가 가득하다.

Figure 3: **Left.** Win rates computed by GPT-4 for Anthropic-HH one-step dialogue; DPO is the only method that improves over chosen summaries in the Anthropic-HH test set. **Right.** Win rates for different sampling temperatures over the course of training. DPO’s improvement over the dataset labels is fairly stable over the course of training for different sampling temperatures.

그림 3: **왼쪽.** Anthropic-HH 1단계 대화에 대해 GPT-4에서 계산된 승률; DPO는 Anthropic-HH 테스트 세트에서 선택한 요약보다 개선되는 유일한 방법입니다. **맞아요.** 교육 과정에서 다양한 샘플링 온도에 대한 승리율입니다. 데이터 세트 라벨에 대한 DPO의 개선은 다양한 샘플링 온도에 대한 훈련 과정에서 상당히 안정적이다.

Instruction-following LMs.A series of works have found evidence that vanilla LMs can be effective at following general language instructions if tuned with annotated "instructional" data--datasets containing language instructional commands and their desired outcomes based on human annotation (Weller et al., 2020, Mishra et al., 2022, 2022, 2022, 2022, 2022, 2022, 2022). Additionally, they show a direct correlation between the size and diversity of the "instructional" data and the generalizability of resulting models to unseen tasks (Wang et al., 2022, 2022). However, since these developments largely focus on existing NLP tasks and depend on human-annotated instructions, this poses a bottleneck for progress toward more generalizable models (e.g., see Fig. 5a in Wang et al., 2022). Our work aims to move beyond classical NLP tasks and tackle the challenges of creating diverse instruction data by employing pretrained LMs. InstructGPT (Ouyang et al., 2022) shares a similar goal as ours in building more general-purpose LMs, and has demonstrated remarkable performance in following diverse user instructions. However, as a commercial system, their construction process still remains quite opaque. In particular, the role of _data_ has remained understudied due to limited transparency and the private user data they used in their study. Addressing such challenges necessitates the creation of a large-scale, public dataset covering a broad range of tasks.

명령 후속 LMs.A 일련의 작업은 바닐라 LMs가 주석이 달린 "명령" 데이터--언어 명령 명령 및 인간 주석을 기반으로 하는 원하는 결과를 포함하는 데이터 세트로 튜닝되면 일반적인 언어 명령을 따르는 데 효과적일 수 있다는 증거를 발견했다(Weller et al., 2020, Mishra et al., 2022, 2022, 2022, 2022, 2022, 2022, 2022, 2022, 2022, 2022). 또한, "교육" 데이터의 크기와 다양성과 보이지 않는 작업에 대한 결과 모델의 일반화 가능성 사이에 직접적인 상관 관계를 보여준다(Wang et al., 2022, 2022). 그러나, 이러한 개발들은 주로 기존의 NLP 태스크들에 초점을 맞추고 인간 주석이 달린 명령들에 의존하기 때문에, 이는 보다 일반화될 수 있는 모델들을 향한 진보에 병목 현상을 야기한다(예를 들어, Wang 등의 도면 5a 참조, 2022). 우리의 작업은 고전적인 NLP 작업을 넘어 사전 훈련된 LMs를 사용하여 다양한 수업 데이터를 만드는 문제를 해결하는 것을 목표로 한다. InstructGPT (Ouyang et al., 2022)는 보다 범용적인 LMs를 구축하는 데 있어 우리와 유사한 목표를 공유하며, 다양한 사용자 지시를 따르는 데 있어 놀라운 성능을 보여주었다. 그러나 상업 시스템으로서 그들의 건설 과정은 여전히 상당히 불투명하다. 특히 _data_의 역할은 제한된 투명성과 연구에 사용된 개인 사용자 데이터로 인해 아직 연구되지 않은 상태로 남아 있다. 이러한 문제를 해결하려면 광범위한 작업을 포함하는 대규모 공개 데이터 세트를 만들어야 합니다.

Compared to the cost of training a language model on this dataset, the additional work required to deduplicate the training dataset is negligible.

이 데이터 세트에 언어 모델을 학습시키는 비용과 비교하여, 학습 데이터 세트를 중복 제거하는 데 필요한 추가 작업은 무시할 수 있다.

3. Replace \(x\) with \(-x\) in the expression: \(f(f(g(f(g(f(-x))))))\). Since \(f\) is odd, we have \(f(-x)=-f(x)\), so the expression becomes \(-f(f(g(f(g(-x)))))\).

3. 식에서 \(f(f(g(f(g(f(-x))))))\로 \(x\)를 \(-x\)로 바꿉니다. \(f\)는 홀수이므로 우리는 \(f(-x)=-f(x)\를 가지므로 식은 \(-f(f(g(f(g(-x)))))\가 된다.

Multiple choiceIn this setup, models are given a prompt and then must select an answer from a predefined set [35; 36; 37]. For instance, in the BBQ dataset [38], models are given a statement like "A muslim and a hindu walk into a bar. Someone planted a bomb and everyone ran out". The model is then asked a question about this situation. BBQ includes both non-negative questions (e.g., "Who ran for cover?") and negative questions (e.g., "Who likely planted the bomb?"). Models' biases can be assessed by comparing the distribution of their multiple choice answers. Multiple choice tests can be scored automatically, are easy to interpret, and allow for fine-grained assessment of models. However, it can also be unrealistic given that most interactions in real-world applications do not involve multiple-choice questions. Further, recent studies have highlighted methodological limitations, demonstrating that altering the order of multiple-choice options [39; 40], rephrasing the question [40], or changing the multiple-choice options [41] can significantly increase the variability of the responses of the models.

다중 선택 이 설정에서 모델에는 프롬프트가 제공된 다음 미리 정의된 세트[35; 36; 37]에서 답변을 선택해야 합니다. 예를 들어, BBQ 데이터 세트 [38]에서 모델에는 "이슬람교도와 힌두가 술집에 들어갑니다. 누군가 폭탄을 심었고 모든 사람이 뛰쳐나갔습니다."와 같은 진술이 주어집니다. 그런 다음 모델은 이 상황에 대해 질문을 받습니다. BBQ는 부정적이지 않은 질문들(예를 들어, "누가 덮치기 위해 뛰었는가?")과 부정적인 질문들(예를 들어, "누가 폭탄을 심었을까?")을 모두 포함한다. 모델들의 편향을 객관식 답변의 분포를 비교하여 평가할 수 있다. 객관식 테스트는 자동으로 점수를 매길 수 있고, 해석하기 쉬우며, 모델의 세밀한 평가가 가능하다. 그러나 실제 응용 프로그램에서 대부분의 상호 작용이 객관식 질문을 포함하지 않는다는 점을 감안할 때 비현실적일 수도 있다. 또한 최근 연구에서는 객관식 옵션[39; 40]의 순서를 변경하거나 질문을 다시 표현하거나 객관식 옵션[41]을 변경하면 모델의 응답 변동성이 크게 증가할 수 있음을 보여주는 방법론적 한계를 강조했다.

Recently, the Mamba network has been widely exploited in medical image segmentation, as illustrated in Fig. 12 (e, f, g). For example, the Swin-Transformer based model Swin-UNet [223] attains 89.33/99.57/88.46 (Dice, IoU, Accuracy) on the MRI Cardiac dataset. In contrast, the Mamba-based UNet achieves comparable or even better segment results, such as the Mamba-UNet [67], Semi-Mamba-UNet [70], and Weak-Mamba-UNet [72]. These results fully demonstrate the effectiveness of Mamba architecture for medical image segmentation.

최근 Mamba 네트워크는 그림과 같이 의료 영상 분할에 널리 활용되고 있다. 도 12(e, f, g)에 도시된 바와 같다. 예를 들어, Swin-Transformer 기반 모델 Swin-UNet [223]은 MRI Cardiac 데이터 세트에서 89.33/99.57/88.46(Dice, IoU, Accuracy)에 도달한다. 대조적으로, Mamba-기반 UNet은 Mamba-UNet[67], Semi-Mamba-UNet[70], 및 Weak-Mamba-UNet[72]와 같은 비교가능하거나 심지어 더 나은 세그먼트 결과들을 달성한다. 이러한 결과는 의료 영상 분할을 위한 Mamba 아키텍처의 유효성을 충분히 입증한다.

Doubanis a social network and database that allows users to create content related to literature and artistic works such as films, books, TV series, music, etc. We sample data from books, movies, and TV series, extracting metadata that includes ratings, detailed information on actors/crew, and long reviews. Then, we design three tasks in total: synopsis generation, review generation, and recommendations. For each task, we manually design various prompt templates and used these templates in combination with metadata to construct instructions. For synopsis generation and review generation, we construct instructions using prompt templates combined with movie or TV series names, with responses generated by Douban users. Then we remove responses with lengths shorter than a threshold and delete personal information and irrelevant content(e.g., "Subscribe our Official Accounts"). Additionally, we manually adjusted some instructions to add more complex implicit intents, aligning better with the details of the response.

두바니스는 영화, 책, TV 시리즈, 음악 등과 같은 문학 및 예술 작품과 관련된 콘텐츠를 만들 수 있도록 하는 소셜 네트워크 및 데이터베이스이다. 우리는 책, 영화, TV 시리즈에서 데이터를 샘플링하고 평점, 배우/승무원에 대한 자세한 정보, 긴 리뷰를 포함하는 메타데이터를 추출합니다. 그리고 시놉시스 생성, 리뷰 생성, 추천의 세 가지 작업을 설계한다. 각 작업에 대해 다양한 프롬프트 템플릿을 수동으로 설계하고 이러한 템플릿을 메타데이터와 결합하여 명령어를 구성했다. 시놉시스 생성 및 리뷰 생성을 위해 영화 또는 TV 시리즈 이름과 결합된 프롬프트 템플릿과 더반 사용자가 생성한 응답을 사용하여 지침을 구성합니다. 그런 다음 임계값보다 짧은 길이의 응답을 제거하고 개인 정보 및 관련 없는 내용(예: "공식 계정 구독")을 삭제합니다. 또한 응답의 세부 정보와 더 잘 일치하도록 복잡한 암시적 의도를 추가하기 위해 일부 지침을 수동으로 조정했습니다.

In this section, we provide appropriate background and methodology as it relates to continual pre-training in the context of LLMs.

이 절에서는 LLM의 맥락에서 지속적인 사전 훈련과 관련하여 적절한 배경과 방법론을 제공한다.

**Formatting Synthetic Data.** To reduce the burden of human annotation or manual collection, several semi-automated approaches [143] have been proposed for constructing instances by feeding existing instances into LLMs to synthesize diverse task descriptions and instances. As illustrated in Figure 11(c), the Self-Instruct method only needs 175 instances as the initial task pool. Then, they randomly select a few instances from the pool as demonstrations and prompt a LLM to generate new instructions and corresponding input-output pairs. After the quality and diversity filtering, newly generated instances would be added into the task pool. Hence, the synthetic method is an effective and economical way to generate large-scale instruction data for LLMs. However, the instances generated by the Self-Instruct method might be simplistic or lack the diversity. To improve the quality of synthetic int ructions, WizardLM [346] introduces Evol-Instruct by proposing in-depth and in-breadth evolving to enrich the complexity and diversity of the instances. Furthermore, Self-Align [347] establishes multiple human-aligned principles to filter the synthesized instances. It then employs these instances to train a LLM in order to yield more aligned instances. To enhance the quality of the instance output, researchers directly adopt human-written texts as the output and synthesize corresponding instructions using ICL examples [348].

**합성 데이터 형식화** 인간 주석 또는 수동 컬렉션의 부담을 줄이기 위해 기존 인스턴스를 LLM에 공급 하 여 다양한 작업 설명 및 인스턴스를 합성 하 여 인스턴스를 구성 하는 여러 반자동 접근법 [143]이 제안 되었습니다. 도 11(c)에 예시된 바와 같이, Self-Instruct 방법은 초기 태스크 풀로서 175개의 인스턴스들만을 필요로 한다. 그런 다음 풀에서 몇 개의 인스턴스를 시범으로 무작위로 선택하고 LLM을 프롬프트하여 새 명령어와 해당 입력 출력 쌍을 생성합니다. 품질 및 다양성 필터링 후 새로 생성된 인스턴스가 작업 풀에 추가됩니다. 따라서, 합성 방법은 LLMs에 대한 대규모 명령어 데이터를 생성하는데 효과적이고 경제적인 방법이다. 그러나 Self-Instruct 방법에 의해 생성된 인스턴스는 단순하거나 다양성이 부족할 수 있다. 합성 int ructions의 품질을 향상시키기 위해, WizardLM [346]은 인스턴스의 복잡성과 다양성을 풍부하게 하기 위해 진화하는 심층적이고 광범위한 것을 제안함으로써 Evol-Instruct를 도입한다. 또한, Self-Align[347]은 합성된 인스턴스들을 필터링하기 위해 다수의 인간-정렬 원리들을 확립한다. 그런 다음 이러한 인스턴스를 사용하여 LLM을 훈련하여 더 정렬된 인스턴스를 생성합니다. 인스턴스 출력의 품질을 향상시키기 위해, 연구자들은 직접 인간-작성된 텍스트들을 출력으로 채택하고 ICL 예들을 사용하여 대응하는 명령어들을 합성한다[348].

Given EntRec, we answer RQ1 by measuring how often the internal recall of \(e_{2}\) improves at layer \(l\) when modifying a two-hop prompt from \(\tau_{\text{2H}}^{\prime}\) to \(\tau_{\text{2H}}\), where \(\tau_{\text{2H}}^{\prime}\) does not contain the descriptive mention of \(e_{2}\) while \(\tau_{\text{2H}}\) does. To be specific, we measure _the relative frequency_ of \(\tau_{\text{2H}}\) in TwoHopFact where EntRec\({}^{l}(e_{2},\tau_{\text{2H}})>\)EntRec\({}^{l}(e_{2},\tau_{\text{2H}}^{\prime})\).

EntRec가 주어졌을 때, 우리는 2-홉 프롬프트를 \(\tau_{\text{2H}}^{\prime}\)에서 \(\tau_{\text{2H}}\)로 수정할 때 \(e_{2}\)의 내부 회상이 층 \(l\)에서 얼마나 자주 개선되는지를 측정하여 RQ1에 응답한다. 여기서 \(\tau_{\text{2H}}^{\prime}\)은 \(e_{2}\)에 대한 설명적 언급을 포함하지 않는 반면 \(\tau_{\text{2H}}\)는 포함한다. 구체적으로 EntRec\({}^{l}(e_{2},\tau_{\text{2H}})>\)EntRec\({}^{l}(e_{2},\tau_{\text{2H}}^{\prime})\)에서 \(\tau_{\text{2H}}\)의 상대적 빈도수를 측정한다.

Fig. 14: Flan-PaLM finetuning consist of 473 datasets in above task categories. Courtesy of [74].

도. 14: Flan-PaLM 미세 조정은 위의 작업 범주에서 473개의 데이터 세트로 구성된다. [74]의 예절.

Hoffmann et al.'s paper has been highly influential in the language modeling community. Its findings have informed the scaling policies of notable models, such as Google's Gemini suite (Google, 2023), and have likely guided the development of many other models. Moreover, the specific parameter estimates of the scaling law presented in the paper are of significant scientific interest, such as for machine learning theory. Given the wide-reaching impact of this research, it is crucial to thoroughly investigate the robustness and reproducibility of the work.

Hoffmann 등의 논문은 언어 모델링 커뮤니티에서 영향력이 매우 컸다. 그 결과는 구글의 제미니 스위트룸(구글, 2023)과 같은 주목할 만한 모델의 스케일링 정책에 알려졌고, 다른 많은 모델의 개발을 이끌었을 가능성이 있다. 더욱이, 본 논문에서 제시된 스케일링 법칙의 특정 매개변수 추정치는 기계 학습 이론과 같은 중요한 과학적 관심사이다. 이 연구의 광범위한 영향을 감안할 때 작업의 견고성과 재현성을 철저히 조사하는 것이 중요하다.

For each instruction \(I_{i}\), we extract the corresponding use case \(u_{i}\) and set of skills \(\mathbf{s}_{i}\). We then have the set of metadata as \(\mathcal{M}=\{(u_{i},\mathbf{s}_{i})\}_{i=1}^{n}\). Instructions may share or partially overlap in their \(u_{i}\)'s and \(\mathbf{s}_{i}\), reflecting the distribution of tasks and capabilities within the seed instructions. Use cases and skills are generated on-the-fly, not limited to some predefined sets, enabling broader applicability. However, we can always provide such constraints with our prior knowledge, or even directly write out metadata without any seed instructions.

각 명령어 \(I_{i}\)에 대해 해당 유스케이스 \(u_{i}\)와 스킬 집합 \(\mathbf{s}_{i}\)을 추출한다. 메타데이터 집합은 \(\mathcal{M}=\{(u_{i},\mathbf{s}_{i})\}_{i=1}^{n}\)이다. 명령어는 \(u_{i}\)'s 및 \(\mathbf{s}_{i}\)에서 공유되거나 부분적으로 중첩될 수 있으며, 이는 시드 명령어들 내의 태스크들 및 능력들의 분포를 반영한다. 유스 케이스 및 스킬은 일부 미리 정의된 세트에 국한되지 않고 즉시 생성되어 더 넓은 적용 가능성을 가능하게 한다. 그러나, 우리는 항상 사전 지식으로 그러한 제약들을 제공할 수 있거나, 심지어 어떠한 시드 명령도 없이 메타데이터를 직접 작성할 수 있다.

Back-translation augmentation.Many multilingual language models use back-translation as a data augmentation method, creating synthetic parallel training data from monolingual data sources (Bi et al., 2021; Caswell et al., 2019; Liao et al., 2021; Marie et al., 2020; Pham et al., 2021; Sennrich et al., 2016; Xu et al., 2022; Zheng et al., 2020). For example, Sennrich et al. (2016) back-translate monolingual target data into source language data, providing additional parallel training samples for substantial translation task improvements. Researchers have also explored different sampling methods for back-translation (e.g., beam search, constrained sampling, unconstrained sampling) and their comparative effectiveness (Edunov et al., 2018; Graca et al., 2019; Sennrich et al., 2016). Xu et al. (2022) emphasize the importance of the weight and quality of synthetic data for optimal NMT performance using back-translation. They propose a method to optimize the ratio between search methods and a gamma score to balance estimated importance weight and quality. However, some limitations exist with back-translation-based synthetic data generation. For example, the quality and diversity of synthetic data depends on the performance of the back-translation method. If the synthetic data is too noisy or not diverse, the performance gain would be limited (Chauhan et al., 2022; Epaliyana et al., 2021).

역-번역 증강.많은 다국어 언어 모델들은 데이터 증강 방법으로서 역-번역을 사용하여, 단일 언어 데이터 소스들로부터 합성 병렬 트레이닝 데이터를 생성한다(Bi et al., 2021; Caswell et al., 2019; Liao et al., 2021; Marie et al., 2020; Pham et al., 2021; Sennrich et al., 2016; Xu et al., 2022; Zheng et al., 2020). 예를 들어, Sennrich 등(2016)은 단일 언어 타겟 데이터를 소스 언어 데이터로 역번역하여, 실질적인 번역 작업 개선을 위한 추가적인 병렬 트레이닝 샘플을 제공한다. 연구자들은 또한 역-번역(예를 들어, 빔 탐색, 제약된 샘플링, 제약되지 않은 샘플링)을 위한 상이한 샘플링 방법 및 이들의 비교 효과를 탐색하였다(Edunov et al., 2018; Graca et al., 2019; Sennrich et al., 2016). Xu et al.(2022)은 역변환을 이용한 최적의 NMT 성능을 위해 합성 데이터의 가중치와 품질의 중요성을 강조한다. 그들은 추정된 중요도 가중치와 품질의 균형을 맞추기 위해 검색 방법과 감마 점수 사이의 비율을 최적화하는 방법을 제안한다. 그러나 역번역 기반 합성 데이터 생성에는 몇 가지 제한 사항이 있다. 예를 들어, 합성 데이터의 품질과 다양성은 역번역 방법의 성능에 따라 달라진다. 합성 데이터가 너무 잡음이 많거나 다양하지 않다면, 성능 이득은 제한될 것이다(Chauhan et al., 2022; Epaliyana et al., 2021).

requiring extensive reasoning and deep understanding, larger models are more suitable; whereas for situations with limited resources or lower task complexity, smaller models may be a more economical choice.

광범위한 추론과 깊은 이해를 필요로 하는 경우 더 큰 모델이 더 적합하지만 리소스가 제한적이거나 작업 복잡도가 낮은 상황에서는 더 작은 모델이 더 경제적인 선택이 될 수 있다.

To sum up, we initiate an investigation into quantitative prediction methods for pretraining data curation. With its increasing focus on data engineering, we hope our exploration facilitates further quantitative studies and theoretical analyses in this research area.

요약하면, 우리는 사전 훈련 데이터 큐레이션을 위한 정량적 예측 방법에 대한 조사를 시작한다. 데이터 엔지니어링에 대한 관심이 높아짐에 따라 본 연구의 탐색이 이 연구 영역에서 추가 양적 연구와 이론적 분석을 용이하게 하기를 바란다.

Nemotron-4 uses a standard decoder-only Transformer architecture (Vaswani et al., 2017), with causal attention masks. Exact hyper-parameters affecting size are shown in Table 1. Nemotron-4 has 3.2 billion embedding parameters and 12.5 billion non-embedding parameters. We use Rotary Position Embeddings (RoPE) (Su et al., 2021), SentencePiece tokenizer (Kudo and Richardson, 2018), squared ReLU activations in the MLP layers, no bias terms, dropout rate of zero, and untied input-output embeddings. We use grouped

네모트론-4는 인과적 주의 마스크와 함께 표준 디코더 전용 트랜스포머 아키텍처(Vaswani et al., 2017)를 사용한다. 크기에 영향을 미치는 정확한 하이퍼-파라미터는 표 1에 나타나 있다. 네모트론-4는 32억 개의 임베딩 파라미터와 125억 개의 비- 임베딩 파라미터를 갖는다. Rotary Position Embeddings (RoPE) (Su et al., 2021), SentencePiece tokenizer (Kudo and Richardson, 2018), 제곱 ReLU activations in the MLP layers, no bias terms, dropout rate of zero, and unied input-output embeddings. 그룹화 사용

It is noteworthy that the relative performance gain is more substantial with increasing task difficulty. Specifically, we observe that within the same task, the smaller model, Llama2-13B, gains ranging from \(28\%\)-\(200\%\), but only \(8\%\)-\(16\%\) over GPT-3.5-Turbo. Moreover, the more challenging task MATH yields gains of \(34\%\)-\(200\%\), in contrast to only \(16\%\)-\(69\%\) on the easier task GSM8K.

주목할 점은 과제 난이도가 증가함에 따라 상대적 성과 이득이 더 크다는 것이다. 특히, 동일한 작업 내에서 더 작은 모델인 Llama2-13B는 GPT-3.5-Turbo보다 \(28\%\)-\(200\%\)의 이득 범위를 갖지만 \(8\%\)-\(16\%\)에 불과하다는 것을 관찰한다. 더욱이, 더 어려운 태스크 MATH는 더 쉬운 태스크 GSM8K에서 단지 \(16\%\)-\(69\%\)에 비해 \(34\%\)-\(200\%\)의 이득을 얻는다.

Manual analysis of the GPT-4 predictions.The authors of this paper manually assess randomly sampled 20 instances for each aspect and check if GPT-4 predictions match their assessments given the same instruction, demonstrations, and test instances. We found our assessments show high agreement with GPT-4 predictions, especially for relevance (95%), retrieval necessity (95%), and the degree of support (90%). Agreement was slightly lower in usefulness (80%), mostly due to the disagreement between 1 and 2 or 4 and 5.

GPT-4 예측의 수동 분석.본 논문의 저자는 각 측면에 대해 무작위로 샘플링된 20개의 인스턴스를 수동으로 평가하고 동일한 명령, 시연 및 테스트 인스턴스가 주어진 경우 GPT-4 예측이 평가와 일치하는지 확인한다. 우리는 우리의 평가가 특히 관련성(95%), 검색 필요성(95%), 지원 정도(90%)에 대해 GPT-4 예측과 높은 일치를 보인다는 것을 발견했다. 동의는 유용성(80%)에서 약간 낮았는데, 이는 대부분 1과 2 또는 4와 5 사이의 불일치로 인한 것이었다.

**Important Findings from Existing Work**. Recently, a very comprehensive evaluation [421] has been conducted about the impact of multiple factors (_e.g.,_ model size and sensitivity) on the post-training quantization methods. Another study [422] examines the scaling law of \(k\)-bit quantization in inference performance. In addition to the overall performance, the study [423] specifically focuses on the potential impact of quantification on emergent capabilities, as well as the levels of performance that can be achieved across various levels of bit precision. Also, prior work (_e.g.,_ LLM.int8(424), GPTQ [417], QLoRA [419], and GLM [93]) has also extensively examined the performance of quantization methods in various settings. Next, we summarize several important findings from these studies, which will be useful for those who may not want to delve into the technical details of quantization methods.

**기존 작업의 중요한 결과**. 최근, 다중 인자(예를 들어, 모델 크기 및 민감도)가 훈련 후 양자화 방법에 미치는 영향에 대해 매우 포괄적인 평가[421]가 수행되었다. 또 다른 연구[422]는 추론 성능에서 \(k\)-비트 양자화의 스케일링 법칙을 조사한다. 전체 성능 외에도 연구[423]은 특히 다양한 수준의 비트 정밀도에 걸쳐 달성할 수 있는 성능 수준뿐만 아니라 창발 능력에 대한 정량화의 잠재적 영향에 초점을 맞춘다. 또한 이전 작업(_예:_ LLM.int8(424), GPTQ[417], QLoRA[419], GLM[93])도 다양한 설정에서 양자화 방법의 성능을 광범위하게 조사했다. 다음으로, 양자화 방법의 기술적 세부 사항을 파고들지 않을 수 있는 사람들에게 유용할 이러한 연구의 몇 가지 중요한 결과를 요약한다.

_This summary is largely factual and looks at the overall arc of the text, though it has some chronology problems (Ar's proposal comes after the run in the city, which comes after Josh and Radhyu open the pub-up), and focuses disproportionately on the author's access, despite their complex emotional journey. The author's correction with another writer, Kate Robb, as opposed to the text itself. It also doesn't discuss the nonlinear storyellings._

_이 요약은 대체로 사실적이며 텍스트의 전반적인 호를 살펴보지만 몇 가지 연대기 문제가 있다(Ar의 제안은 조쉬와 라듀가 펍업을 연 후에 나오는 도시 운영 후에 나오며 복잡한 감정 여정에도 불구하고 저자의 접근에 불균형적으로 초점을 맞춘다). 작가가 텍스트 그 자체와는 반대로 다른 작가 케이트 롭과 교정한 것이다. 또한 비선형 스토리텔링에 대해 논의하지 않습니다._

Figure 21: Examples on instruction following. MiniCPM-2.4B-DPO successfully follows the instruction and generates a poem with correct tonal pattern and the first character of each sentence. However, MiniCPM-1.2B only generates the correct tonal pattern.

도 21: 다음의 지시에 대한 예. MiniCPM-2.4B-DPO는 명령을 성공적으로 따르고, 정확한 성조 패턴과 각 문장의 첫 번째 문자를 가진 시를 생성한다. 그러나 MiniCPM-1.2B는 올바른 성조 패턴만을 생성한다.

From the results presented in Table V it is clear that GPT-4 achieves best results for HellaSwag while Davinci-003 is best model for OBQA. It is also good to note that results for OBQA are not reported for all of the models and possibly davinci-003 is not the best model achieving highest results on OBQA.

표 V에 제시된 결과에서 GPT-4가 헬라스웨그에 대해 최상의 결과를 달성하는 반면 다빈치-003은 OBQA에 대해 최상의 모델임이 분명하다. OBQA에 대한 결과가 모든 모델에 대해 보고되지 않으며 다빈치-003이 OBQA에서 가장 높은 결과를 달성하는 최상의 모델이 아니라는 점에 주목하는 것도 좋다.

1. Rephrased and Expanded Question: Is it accurate to state that the film 'Barbie' will achieve a domestic box office gross that is at least double the amount that 'Oppenheimer' will earn during their respective opening weekends? This comparison will be based on the final reported figures for the three-day opening weekend (July 21-23) in the United States, as documented on Box Office Mojo. The outcome will be determined by comparing the "Domestic Weekend" grosses of 'Barbie' and 'Oppenheimer,' and the market will resolve in favor of 'Yes' if 'Barbie's gross is at least twice that of 'Oppenheimer.' If no final data is available by July 31, 2023, an alternative credible source will be used to resolve the market. 2. Reasons why the answer might be no:

1. 요약 및 확장 질문: 영화 '바비'가 개봉 주말 동안 '오펜하이머'가 벌어들일 금액의 최소 두 배인 국내 흥행 총액을 달성할 것이라고 말하는 것이 정확한가? 이 비교는 박스오피스 모조에 기록된 바와 같이 미국에서 3일간의 개막 주말(7월 21일-23일)에 대한 최종 보고된 수치를 기반으로 할 것이다. 결과는 '바비'와 '오펜하이머'의 "국내 주말" 총수익을 비교하여 결정되며, '바비의 총수익이 '오펜하이머'의 최소 2배라면 시장은 '예'에 찬성하여 해결된다. 2023년 7월 31일까지 최종 데이터를 사용할 수 없다면 시장을 해결하기 위해 신뢰할 수 있는 대체 소스를 사용할 것이다. 2. 대답이 '아니오'일 수 있는 이유:

making them publicly available, so they are referred to as close-source models. In our research, we extensively integrate a significant number of close-source models as the foundational benchmarks. Specifically, our baselines encompass the following models: (i) OpenAI's GPT-3 [51], GPT-3.5, ChatGPT5, GPT-4 [3]; (ii) Google's PaLM 2 [44], PaLM [7], and Minerva [15]; (iii) Anthropic's Claude Instant [39], Claude 1.3\({}^{\circ}\), Claude 2\({}^{\prime}\), DeepMind's Chinchilla [47].

공개적으로 사용할 수 있도록 하기 때문에 근접 소스 모델이라고 합니다. 우리의 연구에서 우리는 기초 벤치마크로 상당한 수의 근접 소스 모델을 광범위하게 통합한다. 특히, OpenAI의 GPT-3[51], GPT-3.5, ChatGPT5, GPT-4[3], 구글의 PaLM2[44], PaLM[7], 미네르바[15], (iii) Anthropic의 Claude Instant[39], Claude 1.3\({}^{\circ}\), Claude 2\({}^{\prime}\), DeepMind의 Chinchilla[47].

Figure 10: Confusion matrix comparing human annotations to model predictions for the claim verification task. The left side shows the counts for predictions made by Claude-3-Opus contrasted with human labels. The right side shows the count for predictions made by GPT-4-Turbo contrasted with human labels. A more detailed breakdown is presented in Table 32.

도 10: 청구 검증 태스크에 대한 모델 예측들에 대한 인간 주석들을 비교하는 혼동 행렬. 왼쪽은 Claude-3-Opus가 인간 라벨과 대조하여 만든 예측의 수를 보여준다. 오른쪽은 인간 라벨과 대조되는 GPT-4-터보의 예측 수를 보여준다. 보다 자세한 설명은 표 32에 나와 있다.

**Normalization Methods.** Training instability is a challenging issue for pre-training LLMs. To alleviate this issue, normalization is a widely adopted strategy to stabilize the training of neural networks. In the vanilla Transformer [22], LayerNorm [256] is employed. Recently, several advanced normalization techniques have been proposed as alternatives to LayerNorm, _e.g._, RMSNorm, and DeepNorm.

**정규화 방법** 훈련 불안정성은 사전 훈련 LLM에 대해 어려운 문제입니다. 이 문제를 완화하기 위해 정규화는 신경망의 학습을 안정화하기 위해 널리 채택되는 전략이다. 바닐라 트랜스포머[22]에는 LayerNorm[256]이 채용된다. 최근에는 LayerNorm, _e.g._, RMSNorm 및 DeepNorm의 대안으로 몇 가지 고급 정규화 기술이 제안되었다.

Fig. 39: HuggingGPT: An agent-based approach to use tools and planning [image courtesy of [171]]* **RACE**[186] suits for reading comprehension task. This dataset is based on English tests completed by Chinese students from middle school and high school, aged \(12\) to \(18\), and it contains roughly \(28,000\) texts and \(100,000\) questions rigorously prepared by human specialists, primarily English instructors. This dataset contains a wide range of subjects that were purposefully chosen to assess students' comprehension and reasoning abilities. This dataset is available in three subgroups: RACE-M, RACE-H, and RACE. RACE-M refers to the middle school examinations, whereas RACE-H denotes the high school tests. Finally, RACE is the synthesis of RACE-M and RACE-H. * **SQuAD**[187] stands for "Stanford Question Answering Dataset" and is a crowdsourced reading comprehension dataset based on Wikipedia articles. It has approximately \(100,000\) question-answer pairs connected to more than \(500\) articles. The answers to these questions are typically text fragments or spans taken from the corresponding reading passages. The questions may be unanswerable in some cases. The dataset is divided into three sets: an \(80\%\) training set, a \(10\%\) development set, and a \(10\%\) hidden test set.

도. 39: HuggingGPT: 도구를 사용하고 읽기 이해 작업을 위한 [이미지 예절 [171]]* **RACE**[186] 슈트를 계획하는 에이전트 기반 접근법입니다. 이 데이터 세트는 중학교와 고등학교의 중국 학생들이 작성한 영어 테스트를 기반으로 하며, 주로 영어 강사인 인간 전문가에 의해 엄격하게 준비된 대략적인 \(28,000\) 텍스트와 \(100,000\) 질문을 포함한다. 이 데이터 세트에는 학생들의 이해력과 추론 능력을 평가하기 위해 의도적으로 선택된 광범위한 과목이 포함되어 있다. 이 데이터 세트는 RACE-M, RACE-H 및 RACE의 세 하위 그룹에서 사용할 수 있습니다. RACE-M은 중학교 시험을 의미하는 반면, RACE-H는 고등학교 시험을 의미한다. 마지막으로, RACE는 RACE-M과 RACE-H의 합성이다. * **SQuAD**[187]은 "Stanford Question Answering Dataset"의 약자이며 위키피디아 기사를 기반으로 하는 크라우드소싱 읽기 이해 데이터 세트입니다. 이는 약 \(100,000\)의 질의응답 쌍이 \(500\) 이상의 논문에 연결되어 있다. 이러한 질문들에 대한 답변들은 전형적으로 대응하는 판독 패시지들로부터 취해진 텍스트 단편들 또는 스팬들이다. 그 질문들은 어떤 경우에는 대답할 수 없을 수도 있다. 데이터 세트는 \(80\%\) 훈련 세트, \(10\%\) 개발 세트 및 \(10\%\) 숨겨진 테스트 세트의 세 세 세 세트로 나뉜다.

Our VLM's enhanced performance on the JA-VG-VQA-500 benchmark indicates its proficiency in Japanese, highlighting the successful integration of the source Japanese LLM with the LLM component of the original VLM through evolutionary merging. Furthermore, our VLM's superior results on the JA-VLM-Bench-In-the-Wild compared to both baselines exhibits its adeptness at navigating culturally-specific content.

JA-VG-VQA-500 벤치마크에서 VLM이 향상된 성능은 일본어에 대한 능력을 나타내며, 진화적 병합을 통해 원본 VLM의 LLM 구성 요소와 소스 일본 LLM이 성공적으로 통합되었음을 강조한다. 또한, 두 기준선에 비해 JA-VLM-Bench-In-Wild에 대한 VLM의 우수한 결과는 문화적으로 특정한 콘텐츠를 탐색하는 데 능숙함을 나타낸다.

To measure the impact of our trained tokenizers on the model downstream performance, we trained one model for each tokenizer. In particular, for each of our 24 trained tokenizers, we trained a 2.6B transformer-based decoder-only model on up to 52B tokens following the scaling law proposed by (Hoffmann et al., 2022). Additionally, serving as baselines, we trained a monolingual and a multilingual model using the pre-trained GPT-2 tokenizer (Radford et al., 2018). All models have been trained based on the causal language modeling training objective.

훈련된 토큰라이저가 모델 다운스트림 성능에 미치는 영향을 측정하기 위해 각 토큰라이저에 대해 하나의 모델을 훈련했다. 특히, 24개의 훈련된 토큰아이저 각각에 대해, (Hoffmann et al., 2022)에 의해 제안된 스케일링 법칙에 따라 최대 52B 토큰에 대해 2.6B 트랜스포머 기반 디코더 전용 모델을 훈련시켰다. 추가적으로, 베이스라인으로서, 우리는 사전 트레이닝된 GPT-2 토나이저를 사용하여 단일 언어 및 다중 언어 모델을 트레이닝하였다(Radford et al., 2018). 모든 모델은 인과 언어 모델링 훈련 목표에 기초하여 훈련되었다.

While chain-of-thought reasoning has showcased remarkable performance on numerous tasks, some challenges still require further exploration. In this section, we provide a concise overview of three promising avenues for future research: multi-modal X-of-thought reasoning (SS6.1), faithful X-of-thought reasoning (SS6.2), and X-of-thought reasoning theory (SS6.3).

연쇄적 사고 추론은 수많은 과제에서 놀라운 성과를 보여주었지만 일부 과제는 여전히 추가 탐구가 필요하다. 이 절에서는 향후 연구를 위한 세 가지 유망한 방법, 즉 다중 모드 X-사상 추론(SS6.1), 충실한 X-사상 추론(SS6.2), X-사상 추론 이론(SS6.3)에 대한 간략한 개요를 제공한다.

\(\bullet\)_Prompt learning with sufficient data._ In this approach, most existing methods regard continuous prompts as trainable model parameters and then leverage supervised learning to optimize the continuous prompts by minimizing the cross-entropy loss based on sufficient downstream task data [475, 396, 397, 401]. As discussed in Section 5.3.1, prefix tuning [396] prepends a sequence of prefixes (_i.e.,_ a set of trainable continuous vectors) to each Transformer layer in language models, while prompt tuning [397] only incorporates trainable prompt vectors at the input layer. By fixing the large-scale parameters of LLMs and only tuning continuous prompt vector, this kind of approaches can be extremely parameter-efficient (Section 5.3). However, these approaches are typically independent of the inputs, lacking sufficient consideration of input semantics. Therefore, the authors in [475] propose context tuning, where the continuous prompts are derived based on the input text and learned through the downstream task losses.

\(\bullet\)_충분한 데이터를 갖는 프롬프트 학습._ 이 접근법에서, 대부분의 기존 방법들은 연속 프롬프트를 훈련가능한 모델 파라미터로 간주하고, 이어서 충분한 다운스트림 태스크 데이터에 기초하여 교차 엔트로피 손실을 최소화함으로써 연속 프롬프트를 최적화하기 위해 지도 학습을 활용한다[475, 396, 397, 401]. 섹션 5.3.1에서 논의된 바와 같이, 프리픽스 튜닝[396]은 프리픽스들의 시퀀스(_즉, 훈련가능한 연속 벡터들의 세트)를 언어 모델들에서 각각의 트랜스포머 계층으로 프리펜스하는 반면, 프롬프트 튜닝[397]은 입력 계층에서 훈련가능한 프롬프트 벡터들만을 통합한다. LLM의 대규모 매개변수를 고정하고 연속 프롬프트 벡터만 튜닝함으로써, 이러한 종류의 접근법은 매우 매개변수 효율적일 수 있다(섹션 5.3). 그러나, 이러한 접근법들은 통상적으로 입력 의미들에 대한 충분한 고려가 결여된 입력들과 독립적이다. 따라서 [475]의 저자들은 연속 프롬프트가 입력 텍스트를 기반으로 유도되고 다운스트림 태스크 손실을 통해 학습되는 컨텍스트 튜닝을 제안한다.

* _Fine-grained quantization_. For Transformer models, weights and activations are usually represented in the form of tensors. A straightforward approach is to use coarse-grained quantization parameters for the whole tensor (_i.e.,_ per-tensor quantization) [414]. However, it usually leads to inaccurate reconstruction results. Thus, fine-grained methods are proposed to reduce the quantization error. ZeroQuant [415] adopts a token-wise quantization approach with dynamic calibration for compressing activations. Whereas for weights (easier to be quantized), it uses a group-wise quantization. In practice, a group size of 128 [415, 416] is commonly used for model quantization. * _Balancing the quantization difficulty_. Considering that weights are easier to be quantized than activations, SmoothQuant [414] proposes to migrate the difficulty from activations to weights. Specially, they incorporate a scaling transformation to balance the difficulty between weights and activations in a linear layer: \(\mathbf{Y}=(\mathbf{X}\text{diag}(\mathbf{s})^{-1})\cdot(\text{diag}(\mathbf{ s})\mathbf{W})\). By introducing an mathematically equivalent transformation, this formula controls the quantization difficulty through the scaling factor \(\mathbf{s}\). To set \(\mathbf{s}\), it incorporates a migration strength parameter \(\alpha\) to balance the difficulties, where each entry \(s_{j}=\max(\mathbf{x}_{j})^{\alpha}/\max(\mathbf{w}_{j})^{(1-\alpha)}\) is determined by the migration strength. * _Layerwise quantization_. This approach finds optimal quantized weights that minimize a layerwise reconstruction loss: \(\arg\min_{\widetilde{\mathbf{W}}}\parallel\mathbf{W}\mathbf{X}-\widetilde{ \mathbf{W}}\mathbf{X}\parallel_{2}^{2}\). To efficiently optimize this objective, GPTQ [417] improves the original optimal brain quantization (OBO) [418] method by fixing the quantization order of weights for all rows. Further, with specially designed methods (_i.e.,_ lazy batch-updates and Cholesky reformulation), GPTQ is feasible to quantize very large models (_e.g.,_ 175B OPT) in 3 or 4 bit precision. More recently, AWQ [416] further simplifies the optimization form by incorporating activation-aware scaling for weights, which resembles the idea of SmoothQuant [414]: weights corresponding to outlier activations are more important to be precisely quantized. It does not directly optimize the reconstruction loss, but instead performs simple hyper-parameter search to achieve the minimal loss on calibration data.

* _세립 양자화_. 트랜스포머 모델의 경우 가중치 및 활성화는 일반적으로 텐서의 형태로 표현된다. 간단한 접근법은 전체 텐서(_즉,_텐서당 양자화)에 대해 거친-결정화된 양자화 파라미터들을 사용하는 것이다[414]. 그러나, 이는 일반적으로 부정확한 재구성 결과를 초래한다. 따라서 양자화 오차를 줄이기 위해 세밀한 방법을 제안한다. 제로퀀트[415]는 활성화를 압축하기 위해 동적 캘리브레이션을 갖는 토큰-와이즈 양자화 접근법을 채택한다. 가중치(양자화되기 쉬움)에 대해서는 그룹 단위 양자화를 사용한다. 실제로, 128[415, 416]의 그룹 크기가 모델 양자화를 위해 일반적으로 사용된다. * _양자화 난이도 균형 조정_ 입니다. 가중치가 활성화보다 양자화하기 쉽다는 점을 고려하여 SmoothQuant[414]는 활성화에서 가중치로 난이도를 마이그레이션할 것을 제안한다. 특히 \(\mathbf{Y}=(\mathbf{X}\text{diag}(\mathbf{s})^{-1})\cdot(\text{diag}(\mathbf{ s})\mathbf{W})\). 수학적으로 동등한 변환을 도입함으로써, 이 공식은 스케일링 인자 \(\mathbf{s}\)를 통해 양자화 난이도를 제어한다. \(\mathbf{s}\)을 설정하기 위해 마이그레이션 강도 매개변수 \(\alpha\)를 통합하여 어려움의 균형을 맞추며, 여기서 각 엔트리 \(s_{j}=\max(\mathbf{x}_{j})^{\alpha}/\max(\mathbf{w}_{j})^{(1-\alpha)}\)는 마이그레이션 강도에 의해 결정된다. * _계층별 양자화_. 이 방법은 계층별 재구성 손실을 최소화하는 최적의 양자화 가중치를 찾는다 : \(\arg\min_{\widetilde{\mathbf{W}}}\parallel\mathbf{W}\mathbf{X}-\widetilde{ \mathbf{W}}\mathbf{X}\parallel_{2}^{2}\). 이 목적을 효율적으로 최적화하기 위해, GPTQ[417]은 모든 행에 대한 가중치의 양자화 순서를 고정함으로써 원래의 최적 브레인 양자화(OBO)[418] 방법을 개선한다. 또한, 특별히 설계된 방법(_즉,_ lazy batch-updates 및 Cholesky reformulation)을 사용하여 GPTQ는 3 또는 4 비트 정밀도로 매우 큰 모델(_예를 들어,_175B OPT)을 양자화할 수 있다. 보다 최근에, AWQ[416]은 가중치에 대한 활성화-인식 스케일링을 통합함으로써 최적화 형태를 더욱 단순화하는데, 이는 SmoothQuant[414]의 아이디어와 유사하다 : 이상치 활성화에 대응하는 가중치는 정밀하게 양자화되는 것이 더 중요하다. 이것은 재구성 손실을 직접 최적화하는 것이 아니라, 대신에 교정 데이터에 대한 최소 손실을 달성하기 위해 간단한 하이퍼-파라미터 탐색을 수행한다.

This chain-of-reasoning strategy enabled AMIE to progressively refine its response conditioned on the current conversation to arrive at an informed and grounded reply.

이 추론 연쇄 전략을 통해 AMIE는 현재 대화에 대해 조건화된 응답을 점진적으로 정제하여 정보에 입각하고 근거 있는 응답에 도달할 수 있었다.

Optimization of Memory and Storage Architecture. In the context of agent collaboration and communication, the future design of memory and storage systems can adopt a shared approach, enabling the sharing of memory and storage between agents. Such an architecture would enable agents to access a communal pool of memory and storage, thereby improving the agents' decision-making ability since one agent can benefit from other agents' memory or storage. Moreover, future work can explore hierarchical storage solutions, designed to optimize data retrieval and storage efficiency. This could involve prioritizing quicker access and reduced storage allocation for frequently accessed data, and vice versa for less frequently accessed information.

메모리 및 스토리지 아키텍처의 최적화 에이전트 협업 및 통신의 맥락에서, 향후 메모리 및 스토리지 시스템의 설계는 공유 접근법을 채택하여, 에이전트들 간의 메모리 및 스토리지의 공유를 가능하게 할 수 있다. 이러한 아키텍처는 에이전트가 메모리 및 저장소의 공동 풀에 액세스할 수 있게 하여, 한 에이전트가 다른 에이전트의 메모리 또는 저장소의 이점을 얻을 수 있기 때문에 에이전트의 의사 결정 능력을 향상시킬 수 있다. 또한, 향후 작업은 데이터 검색 및 스토리지 효율성을 최적화하도록 설계된 계층적 스토리지 솔루션을 탐색할 수 있습니다. 이것은 자주 액세스되는 데이터에 대해 더 빠른 액세스 및 감소된 스토리지 할당의 우선순위를 결정하는 것을 포함할 수 있고, 덜 자주 액세스되는 정보에 대해서는 그 반대의 경우도 마찬가지이다.

Xueyang Feng is currently studying for a Ph.D. degree at Renmin University of China, Beijing, China. His research interests include recommender system, agent based on large language model.

쉐양펑은 현재 중국 베이징 런민대에서 박사 학위를 받고 있다. 그의 연구 관심사로는 대규모 언어 모델을 기반으로 한 추천 시스템, 에이전트 등이 있다.

In addition to human evaluations, we implemented model-based auto-evaluation methods as economical consistent alternatives to specialist assessments. These techniques were employed to evaluate both dialogue quality and diagnostic accuracy of the OSCE agent. To establish the validity of our auto-evaluation methods for assessing dialogue quality, we initially focused on a subset of four evaluation axes from the PACES rubric(Table A.2) that were assessed by both the patient actors and the specialist physicians. The auto-evaluation, which uses a self-CoT strategy (details described in Section A.9) with AMIE to rate dialogues, was in good alignment with human raters and comparable to the inter-specialist agreement on these criteria. For the auto-evaluation of differential diagnoses, we leveraged another LLM, Med-PaLM 2 [13] as a surrogate for a specialist rater to grade the predicted diagnoses against the ground truth diagnoses (more details in Section A.7). Our auto-evaluation on DDx accuracy showed a similar trend for AMIE and OSCE agents compared to the specialist ratings. Overall, auto-evaluation trends aligned with human ratings for both dialogue quality and diagnostic accuracy.

인간 평가 외에도 전문가 평가에 대한 경제적인 일관된 대안으로 모델 기반 자동 평가 방법을 구현했다. 이러한 기술은 OSCE 에이전트의 대화 품질과 진단 정확도를 모두 평가하는 데 사용되었다. 대화 품질을 평가하기 위한 자동 평가 방법의 타당성을 확립하기 위해 처음에는 환자 행위자와 전문의 의사 모두가 평가한 PACES 루브릭(표 A.2)의 4가지 평가 축 하위 집합에 초점을 맞췄다. 대화를 평가하기 위해 AMIE와 함께 자체 CoT 전략(섹션 A.9에 설명된 세부 사항)을 사용하는 자동 평가는 인간 평가자와 잘 일치했으며 이러한 기준에 대한 전문가 간 합의에 필적했다. 차등 진단의 자동 평가를 위해 우리는 또 다른 LLM, Med-PaLM 2 [13]을 전문가 평가자의 대리인으로 활용하여 예측된 진단을 그라운드 트루스 진단에 대해 등급을 매겼다(섹션 A.7의 더 자세한 내용). DDx 정확도에 대한 우리의 자동 평가는 전문가 등급과 비교하여 AMIE 및 OSCE 에이전트에 대해 유사한 경향을 보여주었다. 전반적으로 자동 평가 경향은 대화 품질과 진단 정확도 모두에 대해 인간 등급과 일치했다.

Note how the loss scales linearly with the number of generations. Figure 3, middle, illustrates how an increased number

손실이 세대 수에 따라 선형적으로 확장되는 방법에 유의하십시오. 도 3, 중간, 증가된 숫자를 설명하는 방법

In the context of LLMs, an agent refers to a system based on a specialized instantiation of an (augmented) LLM that is capable of performing specific tasks autonomously. These agents are designed to interact with users and environment to make decisions based on the input and the intended goal of the interaction. Agents are based on LLMs equipped with the

LLM의 맥락에서 에이전트는 특정 작업을 자율적으로 수행할 수 있는 (증강된) LL의 특수 인스턴스화에 기반한 시스템을 의미한다. 이들 에이전트는 입력 및 상호작용의 의도된 목표에 기초하여 결정을 내리기 위해 사용자 및 환경과 상호작용하도록 설계된다. 에이전트는 탑재된 LLM을 기반으로 합니다.

Pretraining CorpusFor mathematical reasoning, we utilize the OpenWebMath (OWM) dataset (Paster et al., 2023), which comprises approximately 14B tokens sourced from math-related web pages in the Common Crawl. In the general domain, we combine the SlimPajama (Daria et al., 2023)

Pretraining Corpus 수학적 추론을 위해 Common Crawl의 수학 관련 웹 페이지에서 가져온 약 14B 토큰으로 구성된 OpenWebM(OWM) 데이터 세트(Paster 등, 2023)를 활용한다. 일반 도메인에서, 우리는 SlimPajama를 결합한다(Daria et al., 2023).

Weak-to-Strong GenerationApart from the main experiments where we use the same base model for the reference and continual pretraining, we also investigate if a smaller reference model can effectively guide the pretraining of a larger model. We use Tinyllma-1.1B as reference model and continual pretraining Llama-2-7B on math. Results presented in Table 3 indicate that, despite the considerable gap between the small and large models (Li et al., 2023), employing the small reference model to token selection can still yield benefits to the pre-training of the larger model. If reference and training models have different vocabularies, one can consider performing token alignment (Wan et al., 2024; Fu et al., 2023), which we leave for future work.

Weak-to-Strong Generation은 참조 및 연속 사전 훈련에 동일한 기본 모델을 사용하는 주요 실험과는 별도로, 더 작은 참조 모델이 더 큰 모델의 사전 훈련을 효과적으로 안내할 수 있는지 조사한다. 우리는 Tinyllma-1.1B를 참조 모델로 사용하고 Llama-2-7B를 수학에 지속적으로 사전 훈련한다. 표 3에 제시된 결과는 소형 모델과 대형 모델 사이의 상당한 격차에도 불구하고(Li 등, 2023), 토큰 선택에 소형 참조 모델을 사용하는 것이 더 큰 모델의 사전 훈련에 여전히 이점을 얻을 수 있음을 나타낸다. 참조 모델과 훈련 모델이 다른 어휘를 갖는 경우, 토큰 정렬(Wan 등, 2024; Fu 등, 2023)을 수행하는 것을 고려할 수 있으며, 이는 향후 작업을 위해 남겨둔다.

_You are a question-answer generator. Your goal is to generate question-answer pairs given the Context._

_당신은 질의응답 생성기입니다. 목표는 컨텍스트가 주어진 질문-응답 쌍을 생성하는 것입니다._

**Paraphrase I** The mayoral election in Indianapolis took place on November 7, 2023, with preliminary elections occurring on May 2. The sitting mayor, Democrat Joe Hogsett, successfully ran for a third term. Both Hogsett and his Republican opponent, Jefferson Shreve, moved on to the main election.

**바꾸어 말하면 I** 인디애나폴리스의 시장 선거는 2023년 11월 7일에 실시되었으며 예비 선거는 5월 2일에 실시되었습니다. 현직 시장인 민주당 조 호그셋은 성공적으로 3선에 출마했습니다. 호그셋과 그의 공화당 적수 제퍼슨 슈리브는 모두 본선거로 넘어갔다.

When such generation process has been suspended by the scheduler at an intermediate step, the context manager uses the snapshot function to capture and store the current state of the LLM's beam search tree, including all intermediate probabilities and paths being explored for generating the response. Upon resumption, the restoration function is employed to reload the saved state from the snapshot, allowing the LLM to continue its generation process exactly from the point of suspension to reach the final answer: _Search weather in Paris_. In this way, the context manager ensures that the temporary suspension of one agent's request does not lead to a loss of progress, thereby optimizing resource use without compromising the quality and efficiency of response generation.

이러한 생성 프로세스가 중간 단계에서 스케줄러에 의해 중단되었을 때, 컨텍스트 관리자는 스냅샷 함수를 사용하여 응답을 생성하기 위해 탐색되는 모든 중간 확률 및 경로를 포함하는 LLM의 빔 탐색 트리의 현재 상태를 캡처하고 저장한다. 재시작 시 복원 함수를 사용하여 스냅샷에서 저장된 상태를 다시 로드하여 LLM이 중지 지점에서 정확히 생성 프로세스를 계속하여 최종 답변인 _파리의 날씨 검색_ 에 도달할 수 있습니다. 이러한 방식으로, 컨텍스트 관리자는 하나의 에이전트의 요청의 일시적인 중단이 진행의 손실로 이어지지 않도록 보장함으로써, 응답 생성의 품질 및 효율성을 손상시키지 않으면서 자원 사용을 최적화한다.

Table 2 provides insights into the characteristics of the three datasets involved in our experimental procedure, including the total number of questions and the average number of words per ques

표 2는 총 질문 수와 질문당 평균 단어 수를 포함하여 실험 절차에 관련된 세 데이터 세트의 특성에 대한 통찰력을 제공한다.

Adopting open source models as reference models could be dangerous.We also show mean \(\gamma_{\pi_{ref}}\) of \(M_{2}\), the aligned model from step 2 of sDPO. Unlike \(S\) and \(M_{1}\), \(M_{2}\) is trained on the Ultrafeedback Cleaned dataset, _i.e.,_\(M_{2}\) is used as a reference model on data that was already used to train it. Note that such a case could happen commonly when adopting various open source models as reference models. This is because the datasets that were used in training those models are often unclear and could overlap with the preference datasets unintentionally. Mean \(\gamma_{\pi_{ref}}\) of \(M_{2}\) is \(84.35\), which is staggeringly higher than either \(S\) or \(M_{1}\). The strikingly high value for \(M_{2}\) likely points to overfitting of \(M_{2}\) to the Ultrafeedback Cleaned dataset. This result highlights the potential danger of merely adopting open source models as reference models instead of using sDPO.

오픈 소스 모델을 참조 모델로 채택하는 것은 위험할 수 있다. 또한 sDPO의 2단계부터 정렬된 모델인 \(M_{2}\)의 평균 \(\gamma_{\pi_{ref}}\)을 보여준다. \(S\) 및 \(M_{1}\)와 달리 \(M_{2}\)는 Ultrafeedback Cleaned 데이터셋에서 학습되며 _즉,_\(M_{2}\)는 이미 학습에 사용된 데이터에 대한 참조 모델로 사용된다. 이러한 경우는 다양한 오픈 소스 모델을 참조 모델로 채택할 때 일반적으로 발생할 수 있습니다. 이는 이러한 모델을 훈련하는 데 사용된 데이터 세트가 종종 불분명하고 의도하지 않게 선호도 데이터 세트와 겹칠 수 있기 때문이다. \(M_{2}\)의 평균 \(\gamma_{\pi_{ref}}\)는 \(84.35\)로 \(S\) 또는 \(M_{1}\)보다 매우 높다. \(M_{2}\)에 대한 현저하게 높은 값은 \(M_{2}\)가 울트라피드백 청소된 데이터 세트에 과적합되었음을 나타낸다. 이 결과는 sDPO를 사용하는 대신 오픈 소스 모델을 참조 모델로 채택하는 것의 잠재적 위험을 강조한다.

- Participating in the debate would give Trump a platform to outline his policies and vision, which could be beneficial for his campaign.

토론회에 참여하면 트럼프에게 자신의 정책과 비전을 개괄할 수 있는 플랫폼이 마련돼 선거 운동에 도움이 될 수 있다.

Figure A20: Comparison of data selection strategies with the OPT model embedding space, when using D4 as a the selection strategy, when using C4 as the starting training dataset. The x-axis is selectoin ratio \(R\), and the y-axis is perplexity difference compared to baseline (the horizontal gray dotted line at 0.0 represents our baseline i.e. when no data selection is done), so **lower is better**. Notice that D4 and SemDeDup match at 90%, because we use \(R_{dedup}=0.9\) and varied \(R_{proto}\) for this experiment.

그림 A20: 데이터 선택 전략과 OPT 모델 임베딩 공간의 비교, 선택 전략으로 D4를 사용할 때, 시작 훈련 데이터 세트로 C4를 사용할 때. x축은 선택 비율 \(R\)이고 y축은 기준선과 비교하여 복잡도 차이(0.0의 수평 회색 점선은 기준선, 즉 데이터 선택이 수행되지 않은 경우)이므로 **낮음**이 더 좋습니다. 이 실험을 위해 \(R_{dedup}=0.9\)을 사용하고 \(R_{proto}\)을 변화시켰기 때문에 D4와 SemDeDup이 90% 일치함을 알 수 있다.

**RR** proposed using autoregressive reward models in discussions with **EM**; derived the DPO objective; proved the theoretical properties of the algorithm and wrote the relevant sections and appendices. He also suggested and helped with organizing experiments and contributed some of the PPO and reward learning baselines.

**EM**과의 논의에서 자기회귀 보상 모델을 사용하여 제안된 **RR**, DPO 목표를 도출, 알고리즘의 이론적 속성을 증명하고 관련 섹션 및 부록을 작성했다. 그는 또한 실험을 조직하는 것을 제안하고 도왔고 PPO와 보상 학습 기준선의 일부를 기여했다.

We conduct experiments on different model sizes. First, to show the effectiveness of stage-2 context-enhanced instruction tuning, we compare against the **Llama2-SFT-7B/13B/70B**, which is the Llama2-7B/13B/70B foundation model after the stage-1 supervised fine-tuning (SFT). Second, we compare against **Llama2-Chat-7B/13B/70B** since Llama2-Chat models are shown to possess strong instruction following and conversational QA capabilities (Touvron et al., 2023). Aside from Llama2 models, we also conduct experiments on our in-house GPT-8B foundation model, and we compare against its stage-1 SFT baseline (**GPT-8B-SFT**). Finally, we compare against two very strong OpenAI models: **GPT-3.5-turbo (4k)** and **GPT-4 (8k)**. For fair comparison, we use the same context as inputs for both our models and baselines. Note that we have carefully tuned the instructions for all the baselines to ensure they achieve as good as possible results.3

우리는 다양한 모델 크기에 대한 실험을 수행한다. 먼저 단계 2 컨텍스트 강화 명령 튜닝의 효과를 보여주기 위해 단계 1 감독 미세 조정 (SFT) 후 Llama2-7B/13B/70B 기초 모델인 **Llama2-SFT-7B/13B/70B** 와 비교 합니다. 둘째, Llama2-Chat 모델은 다음 및 대화 QA 기능이 강력한 것으로 나타났기 때문에 **Llama2-Chat-7B/13B/70B** 와 비교 합니다 (Touvron 등, 2023). Llama2 모델 외에도 사내 GPT-8B 기초 모델에 대한 실험도 수행하고 1단계 SFT 기준선(**GPT-8B-SFT**)과 비교한다. 마지막으로 두 개의 매우 강력한 OpenAI 모델인 **GPT-3.5-터보(4k)** 및 **GPT-4(8k)** 와 비교합니다. 공정한 비교를 위해 우리는 모델과 기준선 모두에 대한 입력과 동일한 컨텍스트를 사용한다. 모든 기준선이 가능한 한 좋은 결과를 얻을 수 있도록 주의 깊게 지침을 조정했습니다. 3

Figure 6: **Compute-Normalized Generalization Results**. We visualize the performance curves normalized by the number of inference calls used.

그림 6: **Compute-Normalized Generalization Results**. 사용된 추론 호출의 수로 정규화된 성능 곡선을 시각화한다.

After the release of ChatGPT (OpenAI, 2022), instruction tuning becomes an indispensable ingredient to build the state-of-the-art dialogue agent which has astonishing zero shot capability to a wide range of tasks. The conversational QA capability plays a crucial role in a dialogue agent, yet there has been limited research dedicated to this vital aspect.

ChatGPT(OpenAI, 2022)가 출시된 후, 명령어 튜닝은 광범위한 작업에 놀라운 제로 샷 기능을 가진 최첨단 대화 에이전트를 구축하는 데 필수 요소가 된다. 대화형 QA 능력은 대화 에이전트에서 중요한 역할을 하지만 이러한 중요한 측면에 초점을 맞춘 연구는 제한적이다.

After SFT, we employ DPO (Rafailov et al., 2024) for human preference alignment of the model. During this stage, UltraFeedback (Cui et al., 2023) is utilized as the primary alignment dataset, and an proprietary preference dataset is constructed to enhance the model's code and mathematical capabilities. We conduct one epoch of DPO training with a learning rate of \(1\times 10^{-5}\) and utilize a Cosine LRS since we have a pre-defined training steps.

SFT 이후 모델의 인간 선호도 정렬을 위해 DPO(Rafailov et al., 2024)를 사용한다. 이 단계 동안, UltraFeedback(Cui et al., 2023)이 일차 정렬 데이터세트로 활용되며, 모델의 코드 및 수학적 능력을 향상시키기 위해 독점 선호도 데이터세트가 구축된다. 학습률이 \(1\times 10^{-5}\)인 DPO 훈련의 한 단계를 수행하고 미리 정의된 훈련 단계가 있기 때문에 코사인 LRS를 활용한다.

We compare our method against state-of-the-art data generation approaches for instruction tuning. For fair comparison, we provide all methods the same LLM backbones when possible. Moreover, we control the number of instruction-response pairs the same for all methods to ablate the effect of data quantity. Baseline methods include **Self-Instruct**Wang et al. (2022), **Alpagasus**Chen et al. (2023), **Tree-Instruct**, **WizardLM**Xu et al. (2023), and **WizardLM+**, an enhanced version of WizardLM using the same basic instructions generated from CodecLM as seed instructions. Baseline details are presented in Appendix A.2.

본 논문에서 제안하는 방법을 명령어 튜닝을 위한 최신 데이터 생성 방법과 비교한다. 공정한 비교를 위해 가능한 한 모든 방법에 동일한 LLM 백본을 제공한다. 또한, 데이터 양의 영향을 제거하기 위해 모든 방법에 대해 명령-응답 쌍의 수를 동일하게 제어한다. 기본 방법에는 CodecLM에서 생성 된 기본 지침을 시드 지침으로 사용 하 여 강화 된 버전의 WizardLM인 **Self-Instruct**Wang 등 (2022), **Alpagasus**Chen 등 (2023), **Tree-Instruct**, **WizardLM**Xu 등 (2023) 및 **WizardLM+** 가 포함 됩니다. 기준 세부 정보는 부록 A.2에 나와 있다.

For the 100-exposure scaling law, we additionally compare three configurations: \((topk,cap\_factor)=(1,2),(2,1),(2,2)\), finding minimal differences among them as shown in Figure 17. Remember from Section 7 that differences in model architecture usually become apparent in the insufficient training regime; this is why we opt for 100-exposure instead of 1000-exposure. Notably, \((topk,cap\_factor)=(2,2)\) performs best (among the three) for deep models, such as GPT2-16-4 with 32 experts.

100-노출 스케일링 법칙의 경우, 그림 17과 같이 \((topk,cap\_factor)=(1,2),(2,1),(2,2)\)의 세 가지 구성을 추가로 비교하며, 이들 사이의 최소 차이를 찾는다. 섹션 7에서 모델 아키텍처의 차이는 보통 불충분한 훈련 체제에서 명백해진다는 것을 기억하라; 이것이 우리가 1000-노출 대신에 100-노출을 선택하는 이유이다. 특히 \((topk,cap\_factor)=(2,2)\)는 32명의 전문가와 함께 GPT2-16-4와 같은 심층 모델에 대해 가장 우수한 성능을 보인다.

To validate our hypothesis, we conducted several experiments on the PopQA dataset [22], as it provides a suitable platform for benchmarking hybrid retrieval strategies. As a result of these experiments we find that:

가설을 검증하기 위해 하이브리드 검색 전략을 벤치마킹하는 데 적합한 플랫폼을 제공하기 때문에 PopQA 데이터 세트 [22]에 대해 여러 실험을 수행했다. 이러한 실험들의 결과로서 우리는 다음과 같은 것을 발견한다:

\begin{tabular}{p{56.9pt}|p{399.8pt}} \hline **ChatGPT** & Training a LLM (Language Model with Learning) using RLHF (Reinforcement Learning with Human Feedback) methods based on InstructGPT can be a complex process that requires expertise in both natural language processing and machine learning. Here are some general steps you can take to create a human assistant that exceeds open assistants in performance, accuracy, and utility:

\begin{tabular}{p{56.9pt}|p{399.8pt}} \hline InstructGPT 기반 RLHF (Reinforcement Learning with Human Feedback) 방법을 사용 하 여 LLM (Language Model with Learning)을 학습 하는 것은 자연어 처리 및 기계 학습 모두에 전문 지식이 필요한 복잡한 프로세스일 수 있습니다. 성능, 정확도 및 유틸리티에서 개방형 어시스턴트를 초과하는 인간 어시스턴트를 생성하기 위해 취할 수 있는 몇 가지 일반적인 단계가 있다:

The story often matches back to Jurning childhood, producing context about her children and the relationship with my.

그 이야기는 종종 저닝의 어린 시절과 일치하여 그녀의 아이들과 나의 관계에 대한 맥락을 생산한다.

- Given the recent escalation in tensions and historical precedents, there is a non-negligible chance that Israel could conduct a military operation against Iran.

최근 긴장의 고조와 역사적 전례를 고려할 때 이스라엘이 이란에 대한 군사 작전을 수행할 가능성은 무시할 수 없다.

MAMmnoTH Yue et al. (2023) introduces the data named MathInstruct incorporates a variety of math problem datasets, including but not limited to GSM8K, MATH, AQUA Ling et al. (2017), and Camel-Math Li et al. (2023). It also leverages GPT-4 to generate new reasoning paths through both Program-of-Thought (POT) Chen et al. (2022) and Chain-of-Thought (COT) methods.

MAMmnoTH Yue 등(2023)은 GSM8K, MATH, AQUA Ling 등(2017) 및 Camel-Math Li 등(2023)을 포함하지만 이에 제한되지 않는 다양한 수학 문제 데이터 세트를 통합하는 MathInstruct라는 데이터를 소개한다. 또한 GPT-4를 활용하여 Chen et al.(2022)과 Chain-of-Think(COT) 방법을 통해 새로운 추론 경로를 생성한다.

While large-scale unsupervised language models (LMs) learn broad world knowledge and some reasoning skills, achieving precise control of their behavior is difficult due to the completely unsupervised nature of their training. Existing methods for gaining such steerability collect human labels of the relative quality of model generations and fine-tune the unsupervised LM to align with these preferences, often with reinforcement learning from human feedback (RLHF). However, RLHF is a complex and often unstable procedure, first fitting a reward model that reflects the human preferences, and then fine-tuning the large unsupervised LM using reinforcement learning to maximize this estimated reward without drifting too far from the original model. In this paper we introduce a new parameterization of the reward model in RLHF that enables extraction of the corresponding optimal policy in closed form, allowing us to solve the standard RLHF problem with only a simple classification loss. The resulting algorithm, which we call _Direct Preference Optimization_ (DPO), is stable, performant, and computationally lightweight, eliminating the need for sampling from the LM during fine-tuning or performing significant hyperparameter tuning. Our experiments show that DPO can fine-tune LMs to align with human preferences as well as or better than existing methods. Notably, fine-tuning with DPO exceeds PPO-based RLHF in ability to control sentiment of generations, and matches or improves response quality in summarization and single-turn dialogue while being substantially simpler to implement and train.

대규모 비감독 언어 모델(LMs)은 광범위한 세계 지식과 일부 추론 기술을 배우는 반면, 훈련의 완전한 비감독 특성으로 인해 행동의 정확한 제어를 달성하는 것은 어렵다. 이러한 조향성을 얻기 위한 기존의 방법은 모델 세대의 상대적인 품질의 인간 라벨을 수집하고 이러한 선호도에 맞추기 위해 감독되지 않은 LM을 미세 조정하며, 종종 인간 피드백(RLHF)으로부터의 강화 학습과 함께 조정한다. 그러나 RLHF는 복잡하고 종종 불안정한 절차로, 먼저 인간의 선호도를 반영하는 보상 모델을 피팅한 다음 강화 학습을 사용하여 대규모 비지도 LM을 미세 조정하여 원래 모델에서 너무 멀리 표류하지 않고 추정된 보상을 최대화한다. 본 논문에서는 간단한 분류 손실만으로 표준 RLHF 문제를 해결할 수 있는 폐쇄형 최적 정책 추출이 가능한 RLHF 보상 모델의 새로운 파라미터화를 소개한다. 우리가 _직접 선호 최적화_(DPO)라고 부르는 결과 알고리즘은 안정적이고 성능이 뛰어나며 계산적으로 가벼워 미세 조정 또는 상당한 하이퍼파라미터 조정을 수행하는 동안 LM에서 샘플링할 필요가 없다. 우리의 실험은 DPO가 기존의 방법뿐만 아니라 인간의 선호도와 일치하거나 더 나은 LM을 미세 조정할 수 있음을 보여준다. 특히, DPO와의 미세 조정은 세대의 감성을 제어하는 능력에서 PPO 기반 RLHF를 초과하고, 구현 및 훈련이 상당히 간단하면서 요약 및 싱글 턴 대화에서 응답 품질을 일치시키거나 개선한다.

In comparing the performance of Nemotron-4 15B on TyDiQA-GoldP to a range of models, Table 8 shows that Nemotron-4 15B achieves the best performance. Impressively, Nemotron-4 15B is able to significantly improve upon the next best model, PaLM 62B-cont.

TyDiQA-GoldP 상의 네모트론-4 15B의 성능을 다양한 모델과 비교할 때, 표 8은 네모트론-4 15B가 최상의 성능을 달성함을 보여준다. 인상적으로, 네모트론-4 15B는 차선책인 PaLM 62B-cont에서 크게 개선할 수 있다.

RealNewsis a subset of the Common Crawl consisting of articles from news domains Zellers et al. (2019). It contains 31M documents with average length 793 BPE tokens. RealNews was deduplicated by inserting a hash of the first 100 characters of each document into a bloom filter Bloom (1970) and then excluding any document which resulted in a hash collision. Like C4, examples with duplicate URLs were excluded.

RealNewsis a subset of the Common Crawl consisting to articles from news domains Zellers et al. (2019). 평균 길이 793 BPE 토큰을 가진 31M 문서가 들어 있습니다. RealNews는 Bloom 필터 Bloom(1970)에 각 문서의 처음 100자의 해시를 삽입한 후 해시 충돌이 발생한 문서를 제외함으로써 중복 제거되었다. C4와 마찬가지로 중복 URL이 있는 예는 제외되었다.

* A model trained from random initialization on the union of all datasets i.e. \(\bigcup_{i=0}^{N-1}\mathcal{D}_{i}\), and * A model trained from random initialization on individual dataset \(\mathcal{D}_{i}\), \(0\leq i\leq N\).

* 모든 데이터 세트의 결합에 대한 무작위 초기화로부터 훈련된 모델, 즉 \(\bigcup_{i=0}^{N-1}\mathcal{D}_{i}\), 및 * 개별 데이터 세트 \(\mathcal{D}_{i}\), \(0\leq i\leq N\)에 대한 무작위 초기화에서 학습된 모델입니다.

1. To make the parsing of each step easier, we few-shot re-generate 15k answers for GSM8k and MATH with an Alpha version of WizardLM 70B model to produce solutions in a step-by-step format, then find out those with a correct answer, and use this data to finetune base Llama model. 2. To enhance the model's ability to adhere to the neural and diverse instructions, we also sample 1.5k open-domain conversations from WizardLM's training data, then merge it with above math corpus as the final SFT training data.

1. 각 단계의 구문 분석을 더 쉽게 하기 위해 GSM8k 및 MATH에 대해 Alpha 버전의 WizardLM 70B 모델을 사용하여 15k 답변을 거의 샷 재생성하여 단계별 형식으로 솔루션을 생성한 다음 정답을 찾은 다음 이 데이터를 사용하여 라마 모델을 미세 조정한다. 2. 모델의 신경 및 다양한 지침을 준수하는 능력을 향상시키기 위해 위저드롬의 훈련 데이터에서 1.5k 오픈 도메인 대화를 샘플링한 다음 최종 SFT 훈련 데이터로 위의 수학 말뭉치와 병합한다.