词汇表大小对大语言模型的影响

文章预览

大型语言模型（ LLMs ）中词汇量大小对于模型扩展规律的有哪些影响呢，之前的研究往往集中于模型参数数量和训练数据量，而忽略了词汇表大小的角色。论文中研究人员探索了三种评估最优词汇量的方法： 基于计算力的 IsoFLOPs 分析 、 导数估算 及 损失函数参数拟 合，这三种方法均表明，最优词汇量取决于计算资源，而且大模型应匹配大词汇量。现有的许多 LLMs 所使用的词汇量过小，例如， Llama2-70B 模型的理想词汇量应为 216K ，远超其实际的 32K 。通过实验验证，当模型在不同计算预算下采用预测的最优词汇量时，其下游任务的表现普遍优于常用词汇量大小。例如，将词汇量从标准的 32K 增加到 43K ，就能在同等的计算量下，模型在 ARC-Challenge 上的性能从 29.1 提升至 32.0 。 1 三种预测计算最优词汇量的方法 通过 IsoFLOPs 分析估计幂律： （ 1 ）定义 ………………………………