Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2501.02068v3

帮助 | 高级搜索

计算机科学 > 计算与语言

arXiv:2501.02068v3 (cs)
[提交于 2025年1月3日 (v1) ,最后修订 2025年3月29日 (此版本, v3)]

标题: 领域专业化与模型大小之间的相互作用

标题: The interplay between domain specialization and model size

Authors:Roseval Malaquias Junior, Ramon Pires, Thales Sales Almeida, Kenzo Sakiyama, Roseli A. F. Romero, Rodrigo Nogueira
摘要: 语言模型的缩放定律通常关注从头开始训练时找到最佳模型大小和标记数量。 然而,由于从随机初始化的权重训练模型时需要大量数据,达到这种最佳平衡需要大量的计算资源。 持续预训练提供了一种成本效益更高的替代方案,利用预训练模型的计算投入来融入新知识,而无需大量新数据。 最近的研究表明,数据质量会影响缩放定律中的常数,从而改变最佳参数-标记分配比例。 基于这一见解,我们在计算受限的情况下,研究了持续预训练中领域专业化与模型大小之间的相互作用。 我们的目标是确定这种场景下的最佳训练制度,并检测这种相互作用中的模式,这些模式可以在不同模型大小和领域中进行推广。 为了比较通用和专业训练,我们过滤了一个基于网络的数据集,以提取来自三个领域:法律、医学和会计的数据。 我们在未过滤和过滤后的数据集上对15亿、30亿、70亿和140亿参数的模型进行了预训练,然后在领域特定的考试上评估了它们的性能。 结果表明,随着模型规模的增加,专业模型的表现优于通用模型,同时所需的训练计算更少。 此外,它们日益提高的计算效率导致了之前学到的知识遗忘减少。
摘要: Scaling laws for language models have often focused on finding the optimal model size and token count for training from scratch. However, achieving this optimal balance requires significant compute resources due to the extensive data demands when training models from randomly-initialized weights. Continued pretraining offers a cost-effective alternative, leveraging the compute investment from pretrained models to incorporate new knowledge without requiring extensive new data. Recent findings suggest that data quality influences constants in scaling laws, thereby altering the optimal parameter-token allocation ratio. Building on this insight, we investigate the interplay between domain specialization and model size during continued pretraining under compute-constrained scenarios. Our goal is to identify an optimal training regime for this scenario and detect patterns in this interplay that can be generalized across different model sizes and domains. To compare general and specialized training, we filtered a web-based dataset to extract data from three domains: legal, medical, and accounting. We pretrained models with 1.5B, 3B, 7B, and 14B parameters on both the unfiltered and filtered datasets, then evaluated their performance on domain-specific exams. Results show that as model size increases, specialized models outperform general models while requiring less training compute. Additionally, their growing compute efficiency leads to reduced forgetting of previously learned knowledge.
主题: 计算与语言 (cs.CL) ; 人工智能 (cs.AI)
引用方式: arXiv:2501.02068 [cs.CL]
  (或者 arXiv:2501.02068v3 [cs.CL] 对于此版本)
  https://doi.org/10.48550/arXiv.2501.02068
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Roseval Malaquias Junior [查看电子邮件]
[v1] 星期五, 2025 年 1 月 3 日 19:28:53 UTC (73 KB)
[v2] 星期五, 2025 年 3 月 7 日 16:48:14 UTC (101 KB)
[v3] 星期六, 2025 年 3 月 29 日 17:18:43 UTC (104 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
cs.CL
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-01
切换浏览方式为:
cs
cs.AI

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号