Datasets:

ohsuz

/

arxiv-translation

like 1

\(\bullet\)_Webpages._ Owing to the proliferation of the Internet, various types of data have been created, which enables LLMs to gain diverse linguistic knowledge and enhance their generalization capabilities [82, 26]. For convenient use of these data resources, a large amount of data is crawled from the web in previous work, such as CommonCrawl [163]. However, the crawled web data tends to contain both high-quality text, such as Wikipedia and low-quality text, like spam mail, thus it is important to filter and process webpages for improving the data quality.

\(\bullet\)_Webpages._ 인터넷의 확산으로 인해 다양한 유형의 데이터가 생성되었으며, 이는 LLM이 다양한 언어 지식을 얻고 일반화 능력을 향상시킬 수 있게 한다[82, 26]. 이러한 데이터 자원의 편리한 사용을 위해 CommonCrawl[163]과 같이 이전 작업에서 웹으로부터 대량의 데이터를 크롤링한다. 그러나 크롤링된 웹 데이터는 스팸 메일과 같이 위키피디아와 같은 고품질 텍스트와 저품질 텍스트를 모두 포함하는 경향이 있으므로 데이터 품질을 향상시키기 위해서는 웹 페이지를 필터링하고 처리하는 것이 중요하다.

1. We curate the largest, most recent dataset of real-world forecasting questions to date, for evaluating and optimizing automated forecasting systems. 2. We build a retrieval-augmented LM system that significantly improves upon the baseline and approaches the human crowd performance on competitive forecasting platforms. 3. We propose and apply a self-supervised fine-tuning method to improve LM's capability in reasoning about forecasting tasks.

1. 자동화된 예측 시스템을 평가하고 최적화하기 위해 현재까지 실세계 예측 질문의 가장 큰 최신 데이터 세트를 선별한다. 2. 기준선을 크게 개선하고 경쟁 예측 플랫폼에서 인간 군중 성능에 접근하는 검색 강화 LM 시스템을 구축한다. 3. 우리는 예측 작업에 대한 추론에서 LM의 능력을 향상시키기 위해 자기 지도 미세 조정 방법을 제안하고 적용한다.

PersonA: Vascepa is used together with a low-fat diet and other treatments to lower total cholesterol in people with severe high cholesterol.

PersonA: 바세파는 심각한 고콜레스테롤을 가진 사람들의 총 콜레스테롤을 낮추기 위해 저지방 식단과 다른 치료법과 함께 사용된다.

* **Natural Questions**[179] is a QA dataset that consists of real anonymized, aggregated queries submitted to the Google search engine as questions. An annotator is presented with a question along with a Wikipedia page from the top \(5\) search results, and annotates a long answer (typically a paragraph) and a short answer (one or more entities) if present on the page, or marks null if no long/short answer is present. * **MMLU**[180] is intended to evaluate the knowledge gained in zero-shot and few-shot scenarios. That means that MMLU assesses both the general knowledge and problem-solving ability of a model. It covers 57 subjects in STEM, humanities, social sciences, and other areas. The benchmark varies in complexity, ranging from elementary to advanced professional. It is worth mentioning that the main contribution of this dataset is for multi-task language understanding, question answering, and arithmetic reasoning. * **MBPP**[181] stands for "Mostly Basic Python Problems" and provides a benchmark for evaluating the performance of models designed for code generation. The benchmark encompasses \(974\) short Python programs including a wide range of topics, including fundamental programming concepts and standard library usage, and more. Each challenge comprises a task description, a code solution, and three automated test cases. * **HumanEval**[182] is a dataset for code generation task. This dataset consists of \(164\) hand-crafted programming challenges. Each challenge is accompanied by a function signature, docstring, code body, and multiple unit tests. The main intuition behind developing this dataset is to guarantee the exclusion of its contents from training datasets for code generation models. * **APPS**[183] is designed for code generation task focusing on the Python programming language. The APPS dataset contains a collection of \(232,444\) Python programs. Each program in the dataset has an average of \(18\) lines of Python code. Additionally, APPS offers access to a repository of \(10,000\) unique programming exercises, each with text-based problem descriptions. The final aspect to highlight is that the it includes test cases. * **WikiSQL**[184] is crafted for code generation task and it has 87,726 carefully labeled pairs of SQL queries and corresponding natural language questions from Wikipedia tables. The SQL queries comprise three subsets: test sets (\(17,284\) examples), development (\(9,145\) examples), and training (\(61,297\) examples). * **TriviaQA**[185] is designed for QA task. This dataset comprises more than \(650,000\) question-answer-evidence triples. There are \(95,000\) question-answer pairs in this dataset, each authored by trivia enthusiasts and supported by an average of six independently sourced evidence documents. These documents are automatically acquired from Wikipedia or broader web search results. The dataset is categorized into two segments, including those with authentic answers from Wikipedia and web domains, and verified sets embody the accurately answered questions along with their associated documents from both Wikipedia and online.

* **내추럴 쿼리**[179]는 질문으로 Google 검색 엔진에 제출 된 실제 익명화 된 집계 된 쿼리로 구성 된 QA 데이터 세트입니다. 주석자는 상위 \(5\) 검색 결과에서 위키피디아 페이지와 함께 질문을 제시하며, 페이지에 존재하는 경우 긴 답변(일반적으로 문단)과 짧은 답변(하나 이상의 엔티티)에 주석을 달거나, 긴/짧은 답변이 없는 경우 null로 표시한다. * **MMLU**[180]은 zero-shot 및 few-shot 시나리오에서 얻은 지식을 평가 하기 위한 것입니다. 이는 MMLU가 모델의 일반적인 지식과 문제 해결 능력을 모두 평가한다는 것을 의미한다. STEM, 인문, 사회과학 및 기타 분야의 57개 과목을 다루고 있습니다. 벤치마크는 초등에서 고급 전문가에 이르기까지 복잡성이 다양하다. 이 데이터 세트의 주요 기여는 다중 작업 언어 이해, 질문 응답 및 산술 추론에 있다는 점을 언급할 가치가 있다. * **MBPP**[181]은 "대부분 기본 Python 문제"의 약자이며 코드 생성을 위해 설계된 모델의 성능을 평가하기 위한 벤치마크를 제공합니다. 벤치마크는 기본 프로그래밍 개념 및 표준 라이브러리 사용 등 광범위한 주제를 포함하는 \(974\) 짧은 파이썬 프로그램을 포함한다. 각 챌린지는 작업 설명, 코드 솔루션 및 3개의 자동화된 테스트 케이스로 구성됩니다. * **HumanEval**[182]는 코드 생성 작업에 대 한 데이터 집합입니다. 이 데이터 세트는 \(164\) 손으로 만든 프로그래밍 문제로 구성됩니다. 각 챌린지에는 함수 서명, docstring, 코드 본문 및 여러 단위 테스트가 동반됩니다. 이 데이터 세트를 개발하는 주요 직관은 코드 생성 모델을 위한 훈련 데이터 세트에서 해당 콘텐츠의 배제를 보장하는 것이다. * **APPS**[183]은 Python 프로그래밍 언어에 초점을 맞춘 코드 생성 작업을 위해 설계되었습니다. APPS 데이터 세트에는 \(232,444\) Python 프로그램 컬렉션이 포함되어 있습니다. 데이터 세트의 각 프로그램에는 평균 \(18\) 줄의 Python 코드가 있습니다. 또한, APPS는 각각 텍스트 기반 문제 설명이 포함된 \(10,000\) 고유 프로그래밍 연습의 리포지토리에 대한 액세스를 제공합니다. 마지막으로 강조할 점은 테스트 케이스를 포함한다는 것입니다. * **WikiSQL**[184]는 코드 생성 작업을 위해 만들어졌으며 위키피디아 테이블에서 87,726개의 신중하게 레이블이 지정된 SQL 쿼리 쌍 및 해당 자연어 질문이 있습니다. SQL 쿼리는 테스트 세트(\(17,284\) 예), 개발(\(9,145\) 예) 및 훈련(\(61,297\) 예)의 세 가지 하위 집합으로 구성된다. * **TriviaQA**[185]는 QA 작업을 위해 설계되었습니다. 이 데이터 세트는 \(650,000\) 이상의 질문-응답-증거 트리플을 포함한다. 이 데이터 세트에는 \(95,000\)개의 질문-응답 쌍이 있으며, 각각은 퀴즈 애호가들에 의해 작성되고 평균 6개의 독립적으로 출처된 증거 문서에 의해 지원된다. 이러한 문서는 위키피디아 또는 광범위한 웹 검색 결과에서 자동으로 획득됩니다. 데이터세트는 위키피디아와 웹 도메인의 정답을 포함하는 두 개의 세그먼트로 분류되며, 검증된 세트는 위키피디아와 온라인의 관련 문서와 함께 정확하게 답한 질문을 구현한다.

\(\bullet\)_ShareGPT_[148] is collected from a data collection platform where users can upload their conversations with ChatGPT or GPT-4 through the ShareGPT API. Currently, this dataset consists of approximately 90,000 conversations, including real instructions or inquiries from human and responses from ChatGPT.

\(\bullet\)_ShareGPT_[148]은 사용자가 ShareGPT API를 통해 ChatGPT 또는 GPT-4와 대화를 업로드할 수 있는 데이터 수집 플랫폼에서 수집된다. 현재 이 데이터 세트는 인간의 실제 지시 또는 문의와 ChatGPT의 응답을 포함하여 약 90,000개의 대화로 구성된다.

In this section, we present RAFT, a novel way of training LLMs for domain specific open-book exams. We first introduce the classical technique of supervised fine-tuning, fol

이 섹션에서는 도메인 특정 오픈 북 테스트를 위한 LLM을 훈련하는 새로운 방법인 RAFT를 제시한다. 우리는 먼저 감독 미세 조정, fol의 고전적 기술을 소개한다.

However, when running the model in higher float64 precision, we find that indeed all dimensions are used, but that the smallest dozen or so singular values are much smaller than the other singular values, an observation made by concurrent work (Cancedda, 2024).

그러나 더 높은 float64 정밀도로 모델을 실행할 때 실제로 모든 차원이 사용되지만 가장 작은 12개 또는 그 정도의 특이값이 동시 작업에 의해 이루어진 관찰인 다른 특이값보다 훨씬 작다는 것을 발견했다(Cancedda, 2024).

In this method, the FT process is viewed as a direct continuation of the pre-training phase. We start with a saved checkpoint of the original LLM and train it in a causal auto-regressive manner, i.e., predicting the next token. One major difference in comparison to actual pre-training is the learning rate. Usually, one would need a much lower learning rate when continuing the pre-training of the model to avoid catastrophic forgetting (Kirkpatrick et al., 2017).

이 방법에서 FT 과정은 사전 훈련 단계의 직접적인 연속으로 본다. 우리는 원래 LLM의 저장된 체크포인트로 시작하여 인과적 자동 회귀 방식, 즉 다음 토큰을 예측하는 방식으로 훈련한다. 실제 사전 훈련과 비교했을 때 큰 차이점 중 하나는 학습률이다. 일반적으로, 재앙적인 망각을 피하기 위해 모델의 사전 훈련을 계속할 때 훨씬 낮은 학습률이 필요할 것이다(Kirkpatrick et al., 2017).

* 1 Introduction * 2 Pretraining * 2.1 Data Processing * 2.2 Tokenization * 2.3 Model Architecture * 3 Finetuning * 3.1 Data Preprocessing * 3.2 Training Method * 4 Infrastructure * 5 Safety * 6 Evaluations * 6.1 Base Model Performance * 6.1.1 Main Results * 6.1.2 Discussions * 6.1.3 In-Context Learning Study * 6.2 Chat Model Performance * 6.2.1 Automatic Evaluations * 6.2.2 Human Evaluations * 7 Capability Extension * 7.1 Long Context Modeling * 7.2 Vision-Language * 7.3 Depth Upscaling * 8 Final Discussions * A Author List and Contributions

* 1 소개 * 2 프리트레이닝 * 2.1 데이터 처리 * 2.2 Tokenization * 2.3 모델 아키텍처 * 3 Finetuning * 3.1 데이터 전처리 * 3.2 훈련방법 * 4 Infrastructure * 5 안전성 * 6 평가 * 6.1 기본 모델 성능 * 6.1.1 주요 결과 * 6.1.2 토론 * 6.1.3 In-Context Learning Study * 6.2 채팅 모델 성능 * 6.2.1 자동 평가 * 6.2.2 인간 평가 *7 능력 확장 * 7.1 Long Context Modeling * 7.2 Vision-Language * 7.3 Depth Upscaling * 8 최종 토론 * 저작자 목록 및 기여도

1. Pre-training on larger datasets helps improve performance, by presumably exposing the LLM to more "knowledge". For instance, the Pythia (300B) model achieves an average score of 44.6%, outperforming the smaller C4 (85B) dataset's score of 43.5%.

1. 더 큰 데이터 세트에 대한 사전 훈련은 아마도 LLM을 더 많은 "지식"에 노출시킴으로써 성능을 향상시키는 데 도움이 된다. 예를 들어, 피티아(300B) 모델은 평균 44.6%의 점수를 달성하여 더 작은 C4(85B) 데이터 세트의 점수 43.5%를 능가한다.

Long-context models overemphasize book endings:One interesting observation is that Claude-3-Opus and GPT-4-Turbo, which both have chunk sizes \(\geq\) 100K, tend to place more emphasis on the endings of the books to the detriment of the beginning. Since these models were often provided with the entire book context during prompting, this

한 가지 흥미로운 관찰은 청크 크기 \(\geq\) 100K를 가진 Claude-3-Opus와 GPT-4-Turbo가 책의 결말을 더 강조하는 경향이 있다는 것이다. 이 모델들은 프롬프트 동안 종종 전체 책 컨텍스트와 함께 제공되었기 때문에, 이것은

We begin with a simpler case where \(g_{\theta}\) does not have residual connections but a fully connected (FC) final layer. In this case, for any invertible \(h\times h\) matrix \(\mathbf{S}\), we have that \(g_{\theta}\left(p\right)=\mathbf{S}_{g\theta^{\prime}}\left(p\right)\) where \(\theta^{\prime}\) is the same as \(\theta\) except that the weights of the final FC layer are pre-multiplied by \(\mathbf{S}^{-1}\). Hence, if \(g_{\theta}\) has a final FC layer, it is impossible to distinguish between the embedding projection layer \(\mathbf{W}\) acting on \(g_{\theta}\) and the embedding projection layer \(\mathbf{W}\cdot\mathbf{S}\) acting on \(g_{\theta^{\prime}}\), given access to the output of the API \(\mathcal{O}\) only.

우리는 \(g_{\theta}\)가 잔류 연결이 아니라 완전 연결(FC) 최종 레이어를 갖는 더 간단한 경우로 시작한다. 이 경우, 임의의 가역적인 \(h\times h\) 행렬 \(\mathbf{S}\)에 대해, \(g_{\theta}\left(p\right)=\mathbf{S}_{g\theta^{\prime}}\left(p\right)\)를 가지며, 여기서 \(\theta^{\prime}\)는 최종 FC 층의 가중치가 \(\mathbf{S}^{-1}\)에 미리 곱해진 것을 제외하고는 \(\theta\)와 동일하다. 따라서, \(g_{\theta}\)가 최종 FC 레이어를 갖는 경우, API \(\mathcal{O}\)의 출력에만 접근할 경우, \(g_{\theta}\)에 작용하는 임베딩 투영 레이어 \(\mathbf{W}\)와 \(g_{\theta^{\prime}\)에 작용하는 임베딩 투영 레이어 \(\mathbf{W}\cdot\mathbf{S}\)를 구별할 수 없다.

\(\bullet\)_GPT-3_. GPT-3 [55] was released in 2020, which scaled the model parameters to an ever larger size of 175B. In the GPT-3's paper, it formally introduced the concept of in-context learning (ICL)17, which utilizes LLMs in a few-shot or zero-shot way. ICL can teach (or instruct) LLMs to understand the tasks in the form of natural language text. With ICL, the pre-training and utilization of LLMs converge to the same language modeling paradigm: pre-training predicts the following text sequence conditioned on the context, while ICL predicts the correct task solution, which can be also formatted as a text sequence, given the task description and demonstrations. GPT-3 not only demonstrates very excellent performance in a variety of NLP tasks, but also on a number of specially designed tasks that require the abilities of reasoning or domain adaptation. Although the GPT-3's paper does not explicitly discuss the emergent abilities of LLMs, we can observe large performance leap that might transcend the basic scaling law [30], _e.g.,_ larger models have significantly stronger ICL ability (illustrated in the original Figure 1.2 of the GPT-3's paper [55]). Overall, GPT-3 can be viewed as a remarkable landmark in the journey evolving from PLMs to LLMs. It has empirically proved that scaling the neural networks to a significant size can lead to a huge increase in model capacity.

\(\bullet\)_GPT-3_. GPT-3 [55]는 2020년에 출시되었으며 모델 매개변수를 175B의 훨씬 더 큰 크기로 조정했다. GPT-3의 논문에는 LLMs을 몇 번의 샷 또는 제로 샷 방식으로 활용하는 인컨텍스트 학습(ICL)17이라는 개념이 공식적으로 소개되어 있다. 전반적으로 GPT-3는 PLM에서 LLM으로 진화하는 여정에서 주목할 만한 랜드마크로 볼 수 있다. 신경망을 상당한 크기로 확장하면 모델 용량이 크게 증가할 수 있음을 경험적으로 입증했다.

scale of losses on both the overall validation data and different validation domains. While the overall loss helps optimize the overall performance, losses on different domains show model capabilities in various aspects. We suppose that this facilitates further mixture curating for the nuanced balance of model capabilities.

전체 검증 데이터와 다른 검증 도메인 모두에 대한 손실 규모. 전체 손실이 전체 성능을 최적화하는 데 도움이 되지만, 다른 도메인의 손실은 다양한 측면에서 모델 기능을 보여줍니다. 우리는 이것이 모델 능력의 미묘한 균형을 위한 추가 혼합 큐레이팅을 용이하게 한다고 가정한다.

As the field of LLMs is moving fast, with new findings, models and techniques being published in a matter of months or weeks [7, 8, 9, 10, 11], AI researchers and practitioners often find it challenging to figure out the best recipes to build LLM-powered AI systems for their tasks. This paper gives a timely survey of the recent advances on LLMs. We hope this survey will prove a valuable and accessible resource for students, researchers and developers.

LLM 분야가 빠르게 발전하고 있으며 새로운 발견, 모델 및 기술이 몇 달 또는 몇 주 안에 발표되고 있다[7, 8, 9, 10, 11]. AI 연구자와 실무자는 종종 작업에 대한 LLM 기반 AI 시스템을 구축하기 위한 최상의 레시피를 파악하는 데 어려움을 겪는다. 이 논문은 LLMs에 대한 최근의 진보에 대한 시기적절한 조사를 제공한다. 이 조사가 학생, 연구원 및 개발자에게 가치 있고 접근 가능한 자원이 될 수 있기를 바랍니다.

Footnote 6: For instance, suppose Hoffmann et al. conducted 500 training runs, each generating 1,000 intermediate loss values. To account for the variance both between and within these training runs, we use the intra-group correlation coefficient, denoted as \(\rho\). Conservatively assuming \(\rho=0.5\), the effective number of data points can be calculated using the formula:

각주 6: 예를 들어, 호프만 등이 각각 1,000개의 중간 손실 값을 생성하는 500개의 훈련 실행을 수행했다고 가정하자. 이러한 훈련 실행 간의 분산을 설명하기 위해 \(\rho\)로 표시된 그룹 내 상관 계수를 사용한다. 보존적으로 \(\rho=0.5\)를 가정하면, 유효 데이터 포인트 수는 수식을 사용하여 계산될 수 있다:

Accompanied by the exponential growth in the agent quantity and complexity, there is an increasing strain on the functionalities of LLM and OS. For example, scheduling and prioritizing agent requests in limited LLM resources poses a significant challenge. Moreover, the LLM's generation process can become time-intensive when dealing with lengthy contexts, occasionally resulting in the generation being suspended by the scheduler. This raises the problem of devising a mechanism to snapshot the LLM's current generation result, thereby enabling pause/resume behavior even when the LLM has not finalized the response generation for the current request. Furthermore, once an agent has obtained the list of available calling tools, determining the optimal sequence for invoking these tools presents yet another challenge since multiple agents may need to call the same tool. Additionally, the concurrent operation of multiple agents necessitates a robust system for memory management across different agents, while also ensuring stringent enforcement of privacy and access control measures.

제제 양과 복잡성의 기하급수적인 증가와 함께 LLM 및 OS의 기능에 대한 부담이 증가하고 있다. 예를 들어, 제한된 LLM 리소스들에서 에이전트 요청들을 스케줄링하고 우선순위화하는 것은 상당한 도전을 제기한다. 더욱이, LLM의 생성 프로세스는 긴 컨텍스트들을 다룰 때 시간 집약적이 될 수 있고, 때때로 스케줄러에 의해 생성이 중단되는 결과를 초래한다. 이는 LLM의 현재 생성 결과를 스냅샷하는 메커니즘을 고안하여 LLM이 현재 요청에 대한 응답 생성을 완료하지 않은 경우에도 일시 중지/재시작 동작을 가능하게 하는 문제를 야기한다. 또한 에이전트가 사용 가능한 호출 도구 목록을 얻으면 여러 에이전트가 동일한 도구를 호출해야 할 수 있기 때문에 이러한 도구를 호출하기 위한 최적의 순서를 결정하는 것은 또 다른 과제를 제시한다. 또한, 다수의 에이전트들의 동시 동작은 상이한 에이전트들에 걸쳐 메모리 관리를 위한 강력한 시스템을 필요로 하는 동시에, 프라이버시 및 액세스 제어 조치들의 엄격한 집행을 보장한다.

**500K length book summarization (BookSum).** We further scaled our approach by continuously pre-training a 8B LLM model with 8K input length for 30K steps. We then fine-tuned on a book summarization task, BookSum (Kryscinski et al., 2021) where the goal is to generate a summary of an entire book text.

**500K 길이의 책 요약(BookSum).** 30K 단계에 대해 8K 입력 길이의 8B LLM 모델을 지속적으로 사전 훈련하여 접근 방식을 확장했습니다. 그런 다음 책 요약 태스크인 BookSum(Kryscinski et al., 2021)에 대해 미세 조정했는데, 여기서 목표는 전체 책 텍스트의 요약을 생성하는 것이다.

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

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

BERT (Birectional Encoder Representations from Transformers) [24] is one of the most widely used encoder-only language models. BERT consists of three modules: (1) an embedding module that converts input text into a sequence of embedding vectors, (2) a stack of Transformer encoders that converts embedding vectors into contextual representation vectors, and (3) a fully connected layer that converts the representation vectors (at the final layer) to one-hot vectors. BERT is pre-trained uses two objectives: masked language modeling (MLM) and next sentence prediction. The pre-trained BERT model can be fine-tuned by adding a classifier layer for many language understanding tasks, ranging from text

BERT(Birectional Encoder Representations from Transformers) [24]는 가장 널리 사용되는 인코더 전용 언어 모델 중 하나이다. BERT는 (1) 입력 텍스트를 임베딩 벡터의 시퀀스로 변환하는 임베딩 모듈, (2) 임베딩 벡터를 문맥적 표현 벡터로 변환하는 트랜스포머 인코더 스택, (3) 표현 벡터를 (최종 계층에서) 원-핫 벡터로 변환하는 완전 연결 계층으로 구성된다. BERT는 마스킹 언어 모델링(Masked Language Modeling, MMLM)과 다음 문장 예측의 두 가지 목적을 사용하여 사전 훈련된다. 사전 학습된 BERT 모델은 텍스트부터 시작해서 많은 언어 이해 작업을 위한 분류기 계층을 추가함으로써 미세 조정될 수 있다.

Footnote 1: Note that a LLM is not necessarily more capable than a small PLM, and emergent abilities may not occur in some LLMs.

각주 1: LLM이 반드시 작은 PLM보다 더 능력이 있는 것은 아니며 일부 LLM에서는 출현 능력이 발생하지 않을 수 있다.

**Models.** We train 1B, 3B, and 7B parameters autoregressive decoder-only models, based on configurations and hyperparameters similar to GPT-3 (Brown et al., 2020), diverging mostly on our use of ALiBi (Press et al., 2021). We use FlashAttention (Dao et al., 2022) in a custom codebase. We train internal models on both The Pile and RefinedWeb to control for deviations caused by our pretraining setup-we found The Pile models to perform in-line with others. For small-scale and ablation studies (first half of Section 4.2; Section 4.3), we train models to optimality according to the scaling laws of Hoffmann et al. (2022): on 27B and 60B tokens respectively for our 1B and 3B parameters models. For the main experiments demonstrating our approach (Falcon-RW models in Section 4.2), we train the models to 350GT, in line with popular public models (Brown et al., 2020; Wang and Komatuszaki, 2021; Scao et al., 2022). Note that we do not compare against the recently introduced LLaMA models (Touvron et al., 2023), as the smallest of them is trained on x2.5 more compute than our largest model, preventing a meaningful comparison from being made dataset-wise. For a more in-depth overview of the models and pretraining datasets with which we compare, see Appendix F.

**모델.** GPT-3(Brown 등, 2020)과 유사한 구성 및 하이퍼파라미터를 기반으로 1B, 3B 및 7B 매개 변수 자동 회귀 디코더 전용 모델을 학습하며 주로 ALiBi(Press 등, 2021) 사용에 따라 분기됩니다. 우리는 사용자 지정 코드 베이스에서 FlashAttention (Dao et al., 2022)를 사용한다. 사전 훈련 설정으로 인한 편차를 제어하기 위해 The Pile 및 RefinedWeb에서 내부 모델을 훈련했으며, 다른 모델과 인라인으로 수행할 The Pile 모델을 발견했다. 소규모 및 절제 연구의 경우(섹션 4.2의 전반부; 섹션 4.3) 1B 및 3B 매개변수 모델에 대해 각각 27B 및 60B 토큰에 대해 Hoffmann 등(2022)의 스케일링 법칙에 따라 최적성으로 모델을 훈련한다. 우리의 접근법을 입증하는 주요 실험(섹션 4.2의 Falcon-RW 모델)을 위해, 우리는 인기 있는 공개 모델(Brown et al., 2020; Wang and Komatuszaki, 2021; Scao et al., 2022)에 따라 350GT로 모델을 훈련시킨다. 최근에 도입된 LLaMA 모델(Touvron et al., 2023)과 비교하지 않는데, 그 중 가장 작은 모델이 가장 큰 모델보다 x2.5 더 많은 컴퓨팅에 대해 훈련되어 데이터 세트별로 유의미한 비교가 이루어지지 않기 때문이다. 비교하는 모델 및 사전 훈련 데이터 세트에 대한 보다 심층적인 개요는 부록 F를 참조하십시오.

**Lemma 2**.: _Two reward functions from the same equivalence class induce the same optimal policy under the constrained RL problem._

**Lemma 2**.: _동일한 동등성 클래스의 두 보상 함수는 제약된 RL 문제에서 동일한 최적 정책을 유도합니다._

**RMSNorm** Same to Llama2 model (Touvron et al., 2023) 7B serious. We normalize the input of each transformer sub-layer, the attention layer, and the feedforward layer, with RMSNorm (Zhang and Sennrich, 2019).

**RMSNorm** Llama2 모델(Touvron 등, 2023) 7B와 동일합니다. RMSNorm(Zhang and Sennrich, 2019)을 사용하여 각 변압기 하위 계층, 주의 계층 및 피드포워드 계층의 입력을 정규화한다.

Footnote 20: The model’s ability to learn from junk data is negligible; each person in bioS(\(N^{\prime}\)) appears only 0.2 times during training when \(N=200k\), or 0.05 times when \(N=50k\).

각주 20: 정크 데이터에서 학습하는 모델의 능력은 무시할 수 있으며, 바이오S(\(N^{\prime}\))의 각 사람은 \(N=200k\)일 때 훈련 중 0.2회, \(N=50k\)일 때 0.05회만 나타난다.

Not all models report their performance on all datasets, and because of that, the number of models for which performance is reported in different tables varies.

모든 모델이 모든 데이터 세트에 대한 성능을 보고하는 것은 아니며, 그 때문에 성능이 다른 테이블에서 보고되는 모델의 수가 다르다.

For general-purpose language models, diversity and quality of instruction are crucial Cao et al. (2023); Zhou et al. (2023). However, in specialized domains it is crucial to incorporate task-specific and specialized prompts to enhance performance. Our instruction fine-tuning stage involves \(2\) key components: generic (ie, non-legal) and legal instructions. The former help enhance the model's understanding and following of commands, and includes data from diverse domains such as coding, mathematics, and general conversations. For the latter we employ an extensive collection of datasets tailored to the nuances of legal domains, covering legal question answering and summarization, among others. Through this metic lous fine-tuning on instructional data, our model, SaulLM-7B-Instruct, is able to grasp legal intricacies and excels in a wide range of associated tasks.

범용 언어 모델의 경우, 다양성과 수업의 질은 Cao et al.(2023); Zhou et al.(2023)이 매우 중요하다. 그러나 전문화된 도메인에서는 성능을 향상시키기 위해 작업별 및 전문화된 프롬프트를 통합하는 것이 중요하다. 우리의 지침 미세 조정 단계는 \(2\) 핵심 구성 요소, 즉 일반(즉, 비법) 및 법적 지침을 포함한다. 전자는 명령에 대한 모델의 이해와 후속을 향상시키는 데 도움이 되며 코딩, 수학, 일반 대화와 같은 다양한 영역의 데이터를 포함한다. 후자의 경우 법률 질문 응답 및 요약 등을 포함하여 법률 도메인의 뉘앙스에 맞춘 광범위한 데이터 세트를 사용한다. 우리의 모델 SaulLM-7B-Instruct는 교수 데이터에 대한 이러한 적절한 미세 조정을 통해 법적 복잡성을 파악할 수 있으며 광범위한 관련 작업에서 탁월하다.

As language models continue to evolve at an accelerated pace, an increasing number of large models with high parameter counts and exceptional performance are emerging. Tuning the parameters and internal structure of these models has become increasingly difficult and inefficient, making instruction tuning more important than ever.

언어 모델들이 가속화된 속도로 계속 발전함에 따라, 높은 파라미터 카운트 및 탁월한 성능을 갖는 대형 모델들이 증가하고 있다. 이러한 모델의 매개변수 및 내부 구조를 조정하는 것은 점점 더 어렵고 비효율적이 되어 명령어 튜닝을 어느 때보다 중요하게 만든다.

Due to their sparsity, MoE models often require higher learning rates compared to dense models. Consequently, we adjust the optimizer parameters as follows:

MoE 모델은 희소성 때문에 밀집 모델에 비해 높은 학습률을 요구하는 경우가 많다. 결과적으로 다음과 같이 최적화 매개 변수를 조정합니다.

In addition to the above basic evaluation tasks, LLMs also exhibit some superior abilities that require special consider tions for evaluation. In this part, we discuss several representative advanced abilities and the corresponding evaluation approaches, including human alignment, interaction with the external environment, and tool manipulation. Next, we discuss these advanced abilities in detail.

LLM은 위의 기본 평가 과제 외에도 평가를 위한 특별한 고려가 필요한 몇 가지 우수한 능력도 보인다. 이 부분에서 우리는 인간의 정렬, 외부 환경과의 상호 작용, 도구 조작을 포함한 몇 가지 대표적인 고급 능력과 그에 상응하는 평가 접근법에 대해 논의한다. 다음으로 이러한 고급 능력에 대해 자세히 논의합니다.

Figure 4: Best of \(N\) baseline for \(N=\{1,4,16,64,128\}\). Performance plateaus after roughly 64-128 samples.

그림 4: \(N=\{1,4,16,64,128\}\)에 대한 \(N\) 기준선의 최량입니다. 대략 64-128개의 샘플 이후의 성능 안정.

Let \(z\in\mathbb{R}^{\ell}\) be the (unknown) logits and let \(\mathbf{N}=\sum_{i}\exp(z_{i})\) be the normalizing constant. For each \(k\in\{1,\cdots,K\}\), we have

\(z\in\mathbb{R}^{\ell}\)를 미지의 로짓으로 하고 \(\mathbf{N}=\sum_{i}\exp(z_{i})\)를 정규화 상수로 한다. 각각의 \(k\in\{1,\cdots,K\}\)에 대하여, 우리는

For Supervised Fine-Tuning (SFT), we used both Chinese and English data. The Chinese data consisted of the full set from CQIA (Bai et al., 2024) and OL-CC, as well as high-quality data sampled from COIG-PC (Zhang et al., 2023). The English data was sampled from the OpenHermesPreferences dataset (Huang et al., 2024). The total amount of Chinese data comprised 105K pairs of instruction data, with English data adjusted to different ratios based on the volume of Chinese data. The ratios were \(1:1,2:1,4:1,\) and \(8:1\), along with configurations that included only Chinese data and only English data. Each set of experiments was trained for 3 epochs, with specific experimental results shown in Table 12.

Supervised Fine-Tuning (SFT)의 경우 중국어와 영어 데이터를 모두 사용했다. 중국 데이터는 CQIA(Bai et al., 2024) 및 OL-CC의 풀 세트뿐만 아니라 COIG-PC(Zhang et al., 2023)에서 샘플링된 고품질 데이터로 구성되었다. 영어 데이터는 OpenHermesPreferences dataset(Huang et al., 2024)에서 샘플링되었다. 중국어 데이터의 총량은 105K 쌍의 명령어 데이터로 구성되었으며, 영어 데이터는 중국어 데이터의 볼륨에 따라 다른 비율로 조정되었다. 비율은 \(1:1,2:1,4:1,\) 및 \(8:1\)였으며 중국어 데이터만 포함하고 영어 데이터만 포함하는 구성이다. 각 실험 세트는 3개의 에포크에 대해 훈련되었으며 특정 실험 결과는 표 12에 나와 있다.

PersonA: Urinalysis can be performed in various healthcare settings, including doctors' offices, urgent care facilities, laboratories, and hospitals. You can provide a urine sample in a specimen cup, and the sample can be analyzed on-siteor sent to a laboratory for testing. PersonU: How much urine is typically needed for the test? PersonA: Usually, only small amounts of urine, ranging from 30 to 60 ml, are required for urinalysis testing. It's a non-invasive and relatively simple test that provides valuable information about your health.

PersonA: 소변 검사는 의사 사무실, 긴급 진료 시설, 실험실 및 병원을 포함한 다양한 의료 환경에서 수행할 수 있다. 표본 컵에 소변 샘플을 제공할 수 있으며 샘플은 현장에서 분석하거나 실험실로 보내 검사를 받을 수 있다. PersonU: 검사에 일반적으로 얼마나 많은 소변이 필요한가요? 개인A: 보통 소변 검사 검사에는 30~60ml 범위의 소량의 소변만 필요하다. 비침습적이고 비교적 간단한 검사로 건강에 대한 귀중한 정보를 제공합니다.

**Efficiency of Information Acquisition.** Although AMIE displayed greater verbosity compared to PCPs in terms of total number of words generated in their responses during the consultation, the number of conversational turns and the number of words elicited from the patient actors were similar across both OSCE agents, as illustrated in Figure A.11. This suggests that both AMIE and PCPs acquired a similar amount of information from the patients during the encounter. To investigate how efficient AMIE or PCPs were at gathering sufficient information to formulate a correct diagnosis, we truncated the conversations at various turn counts and used AMIE to generate differential diagnoses based on these partial conversations. Figure A.12 depicts the top-3 DDx accuracy as a function of the number of turns provided to the model. The observed accuracies plateaued within the initial 10 conversational turns for both AMIE and PCPs. This suggests that both AMIE and PCPs were able to acquire the information necessary for formulating a diagnosis within the early stages of the conversation. Additionally, the comparable performance at every turn indicates that neither AMIE nor PCPs had a significant advantage in the efficiency or quality of information acquisition.

**정보 획득의 효율성** AMIE가 상담 중 응답에서 생성된 총 단어 수 측면에서 PCP에 비해 더 큰 장황함을 나타냈지만, 그림 A.11과 같이 대화 전환 수와 환자 행위자로부터 도출된 단어 수는 두 OSCE 에이전트 모두에서 유사했다. 이는 AMIE와 PCP 모두 만남 동안 환자로부터 유사한 양의 정보를 획득했음을 시사한다. AMIE 또는 PCP가 정확한 진단을 공식화하기 위해 충분한 정보를 수집하는 데 얼마나 효율적인지 조사하기 위해 다양한 턴 카운트에서 대화를 절단하고 AMIE를 사용하여 이러한 부분 대화를 기반으로 차등 진단을 생성했다. 그림 A.12는 모델에 제공된 회전 수의 함수로 Top-3 DDx 정확도를 나타낸다. 관찰된 정확도는 AMIE와 PCP 모두에 대해 초기 10회 대화 회전 내에서 안정되었다. 이는 AMIE와 PCP 모두 대화의 초기 단계에서 진단을 공식화하는 데 필요한 정보를 얻을 수 있었음을 시사한다. 또한 매회 유사한 성능은 AMIE나 PCP 모두 정보 획득의 효율성이나 품질에 큰 이점이 없음을 나타낸다.

1. **SlimOrca** This subset of the FLAN collection comprises generic instructions, offering a focused resource for various tasks Mukherjee et al. (2023); Lian et al. (2023). 2. **Meta Math Question Answering Instructions** Designed for mathematical inquiry, this dataset15 presents a range of mathematical questions, facilitating research in math-based natural language processing Yu et al. (2023). Footnote 15: Accessible at meta-math/MetaMathQA 3. **General Conversations from UltraChat** Capturing diverse conversational contexts,

1. **SlimOrca** FLAN 컬렉션의 이 하위 집합은 일반 지침을 포함하여 다양한 작업에 대한 집중된 리소스를 제공합니다. Mukherjee 등(2023); Lian 등(2023). 2. **Meta Math Question Answering Instructions** 수학적 탐구를 위해 설계된 이 데이터 세트15는 수학 기반 자연어 처리 Yu 등(2023)에서 연구를 용이하게 하는 다양한 수학적 질문을 제공합니다. 각주 15: 메타수학/메타수학QA에서 액세스 가능 3. **UltraChat의 일반 대화** 다양한 대화 컨텍스트를 캡처합니다.

The disadvantage of studying emergent abilities in the lens of pre-training loss is that the pre-training loss is affected by the tokenizer and the distribution of pre-training corpus. The values of pre-training loss of language models trained on different corpus are not directly comparable. One possible solution is to evaluate different language models on a public validation set with the normalized perplexity [34] to account for the different vocabulary sizes.

사전 훈련 손실 렌즈에서 출현 능력을 연구하는 단점은 사전 훈련 손실이 토큰화기와 사전 훈련 말뭉치의 분포에 영향을 받는다는 것이다. 다른 코퍼스에서 훈련된 언어 모델의 사전 훈련 손실의 값은 직접적으로 비교할 수 없다. 하나의 가능한 해결책은 상이한 어휘 크기를 고려하기 위해 정규화된 복잡도[34]를 갖는 공개 검증 세트 상에서 상이한 언어 모델들을 평가하는 것이다.

Large Language ModelsLarge language models Brown et al. (2020); Achiam et al. (2023); Touvron et al. (2023, 2023) have made significant achievements, with impressive performance on a wide range of tasks. Currently, closed-source large language models, represented by GPT Brown et al. (2020); Achiam et al. (2023), Gemini Team et al. (2023), Groke (xAI, 2023), and Claude-2 (Anthropic, 2023), are the most advanced models in terms of performance. However, open-source models, represented by LLaMA Touvron et al. (2023), LLaMA-2 Touvron et al. (2023) and Mixtral Jiang et al. (2024), have also progressed rapidly, and have even shown competitive performance with the closed-source models on some tasks. Our work, which aims to improve the performance of open-source LLMs on mathematical tasks by fine-tuning them on synthetic data.

Large Language ModelsLarge Language models Brown et al. (2020); Achiam et al. (2023); Touvron et al. (2023, 2023)은 광범위한 작업에서 인상적인 성능으로 상당한 성과를 거두었습니다. 현재 GPT Brown 등(2020)으로 대표되는 폐쇄 소스 대형 언어 모델은 Achiam 등(2023), Gemini Team 등(2023), Groke(xAI, 2023), Claude-2(Anthropic, 2023) 등이 성능 면에서 가장 진보된 모델이다. 그러나 LLaMA Touvron et al. (2023), LLaMA-2 Touvron et al. (2023), Mixtral Jiang et al. (2024)로 대표되는 오픈 소스 모델도 빠르게 진행되었으며 일부 작업에서 클로즈드 소스 모델과 경쟁적인 성능을 보였다. 본 연구는 오픈 소스 LLM을 합성 데이터로 미세 조정함으로써 수학적 작업에 대한 LLM 성능을 향상시키는 것을 목표로 한다.

In this section, we discuss our post-training methods to extend the Yi base model to 200K long-context, equip it with visual understanding capability, and enhance the 6B model by depth upscaling.

이 절에서는 Yi 기반 모델을 200K의 긴 컨텍스트로 확장하고 시각적 이해 능력을 갖추고 깊이 업스케일링을 통해 6B 모델을 향상시키는 사후 훈련 방법에 대해 논의한다.

Figure 1: Infini-attention has an additional compressive memory with linear attention for processing infinitely long contexts. \(\{KV\}_{s-1}\) and \(\{KV\}_{s}\) are attention key and values for current and previous input segments, respectively and \(Q_{s}\) the attention queries. PE denotes position embeddings.

그림 1: 무한히 긴 컨텍스트를 처리하기 위해 선형 주의력을 갖는 추가적인 압축 메모리를 갖는다. \ (\{KV\}_{s-1}\) 및 \(\{KV\}_{s}\)는 각각 현재 및 이전 입력 세그먼트에 대한 주의 키 및 값이고 \(Q_{s}\)는 주의 쿼리이다. PE는 위치 임베딩을 나타낸다.

Logit bias XOR logprobs.Our attack is \(10\times\) cheaper when an adversary can supply both a logit bias and also view output logprobs. This suggests a natural mitigation: prohibit queries to the API that make use of _both_ logit bias and logprobs at the same time. This type of defense is common in both the security and machine learning community: for example, in 2023 OpenAI removed the ability to combine both echo and logprobs, but with either alone being allowed; this defense would behave similarly.

로짓 바이어스 XOR logprobs. 우리의 공격은 적수가 로짓 바이어스를 제공하고 출력 로그프로브를 모두 볼 수 있을 때 \(10\times\) 더 저렴하다. 이것은 자연스러운 완화를 제안합니다. _로짓 편향과 로그프로브를 동시에 사용하는 API에 대한 쿼리를 금지합니다. 이러한 유형의 방어는 보안 및 기계 학습 커뮤니티 모두에서 일반적입니다. 예를 들어, 2023년에 OpenAI는 에코와 로그프로브를 모두 결합하는 기능을 제거했지만 둘 중 하나만 허용됩니다. 이 방어는 유사하게 행동합니다.

Unlike most studies (Yoran et al., 2023) (Nakano et al., 2021) that directly utilise commercial search engine APIs. Komeili et al. (2021) propose an alternative approach to using multiple commercial search engine APIs. They suggest using the Bing Search API to generate a list of URLs for each query. These URLs are then used as keys to look up their page content in a lookup table constructed from public crawl snapshots, which populates a set of pages for that query. In addition, the evaluation takes into account whether the URL is from the English Wikipedia. If so, the page title is extracted from the URL and the corresponding page is searched for in the Wikipedia dump.

상업 검색 엔진 API를 직접 사용하는 대부분의 연구(Yoran 등, 2023)(Nakano 등, 2021)와 달리. Komeili 등(2021)은 다중 상용 검색 엔진 API를 사용하는 대안적인 접근법을 제안한다. Bing Search API를 사용하여 각 쿼리에 대한 URL 목록을 생성하는 것이 좋습니다. 그런 다음 이러한 URL은 해당 쿼리에 대한 페이지 집합을 채우는 공용 크롤링 스냅숏에서 구성된 조회 테이블에서 페이지 콘텐츠를 검색하는 키로 사용됩니다. 또한, 평가는 URL이 영어 위키피디아로부터의 것인지 여부를 고려한다. 그렇다면 URL에서 페이지 제목을 추출하고 위키피디아 덤프에서 해당 페이지를 검색한다.

Our findings place domain continual pre-training as a strong alternative to building domain-specific LLMs from scratch. By being smarter about data selection for continual pre-training, we can surpass vanilla continual pre-training at a fraction of the cost. Overall, our work paves the way for developing domain-specific LLMs at a reduced cost, with implications for a wide range of applications.

우리의 연구 결과는 도메인 특정 LLM을 처음부터 구축하는 강력한 대안으로 도메인 연속 사전 훈련을 배치한다. 지속적인 사전 훈련을 위한 데이터 선택에 대해 더 똑똑해짐으로써, 우리는 비용의 일부에서 바닐라 연속 사전 훈련을 능가할 수 있다. 전반적으로, 우리의 작업은 광범위한 응용 프로그램에 대한 의미와 함께 감소된 비용으로 도메인별 LLM을 개발할 수 있는 길을 열어준다.

In this part of our discussion, we pay attention to an in-depth analysis of individual models, focusing on identifying whether the trends in their performance remain consistent across various metrics and observing the unique patterns that emerge across different benchmarks.

논의의 이 부분에서 우리는 개별 모델의 심층 분석에 주목하여 성능 추세가 다양한 메트릭에 걸쳐 일관되게 유지되는지 여부를 식별하고 다양한 벤치마크에 걸쳐 나타나는 고유한 패턴을 관찰하는 데 중점을 둔다.

**Knowledge extraction.** The "2bit/param" result is not about word-by-word memorization. Even better, such knowledge is also flexibly extractable (e.g., via fine-tuning using QAs like "What is Anya Forger's birthday?") [3] and thus can be further manipulated in downstream tasks (such as comparing the birthdates of two people, or performing calculations on the retrieved knowledge, etc.) [4]. This is because our \(\mathsf{bioS}(N)\) data is knowledge-augmented: the English biographies have sufficient text diversities [3]. We also verify in Appendix A.2 that such knowledge is extractable.

**지식 추출.** "2bit/param" 결과는 단어별 암기에 대한 것이 아닙니다. 더 양호하게는, 그러한 지식은 또한 (예를 들어, " Anya Forger의 생일은?"과 같은 QAs를 사용하는 미세 조정을 통해) 유연하게 추출가능하며[3] 따라서 (두 사람의 생일을 비교하는 것, 또는 검색된 지식에 대한 계산을 수행하는 것 등과 같은) 다운스트림 태스크들에서 추가로 조작될 수 있다[4]. 이것은 우리의 \(\mathsf{bioS}(N)\) 데이터가 지식을 증강하기 때문이다: 영어 전기들은 충분한 텍스트 다양성을 가지고 있다[3]. 우리는 또한 부록 A.2에서 그러한 지식이 추출 가능하다는 것을 검증한다.

This becomes a dynamic data schedule as the number of training stages approaches the infinite limit. Therefore, the successful application of our data mixing laws on continual training signifies a promising prospect for using it to design dynamic data schedules, a more comprehensive data curating paradigm.

이는 훈련 단계의 수가 무한한 한계에 가까워짐에 따라 동적 데이터 스케줄이 된다. 따라서 지속적인 훈련에 대한 데이터 혼합 법칙의 성공적인 적용은 보다 포괄적인 데이터 큐레이팅 패러다임인 동적 데이터 스케줄을 설계하는 데 사용할 수 있는 유망한 전망을 나타낸다.

We now compare infinite learning rate schedules to a cosine decay schedule. We first explore a simple single-dataset pre-training setup to evaluate the feasibility of the schedule for LLM pre-training. Subsequently, we explore its benefits in our _three datasets, no shift_ setting.

우리는 이제 무한 학습률 스케줄을 코사인 감쇠 스케줄과 비교한다. 먼저 LLM 사전 훈련 일정의 타당성을 평가하기 위해 간단한 단일 데이터 세트 사전 훈련 설정을 탐색한다. 그 후, 우리는 시프트가 없는 3개의 데이터 세트에서 그 이점을 탐구합니다.

Agents are designed to extend language model capabilities to solve real-world challenges. Successful implementations require robust problem-solving capabilities enabling agents to perform well on novel tasks. To solve real-world problems effectively, agents require the ability to reason and plan as well as call tools that interact with an external environment. In this section we explore why reasoning, planning, and tool calling are critical to agent success.

에이전트는 실제 문제를 해결하기 위해 언어 모델 기능을 확장하도록 설계되었습니다. 성공적인 구현에는 에이전트가 새로운 작업에 대해 잘 수행할 수 있는 강력한 문제 해결 기능이 필요합니다. 실제 문제를 효과적으로 해결하기 위해 에이전트는 외부 환경과 상호 작용하는 도구를 호출할 뿐만 아니라 추론하고 계획하는 능력이 필요하다. 이 섹션에서는 추론, 계획 및 도구 호출이 에이전트 성공에 중요한 이유를 탐구합니다.

Training with synthetic data makes evaluation decontamination harder.The use of synthetic data in model training poses significant challenges to fair evaluation. Evaluation benchmarks are often created by referring to public text sources, such as coursework websites or forums. Consequently, it is arguable that all publicly available benchmark test cases might occasionally be included in the pre-training data of LLMs (Gao et al., 2021; Hoffmann et al., 2022). The use of synthetic data exacerbates this issue rather than mitigating it. Although the community has proposed several techniques to detect such evaluation contamination, such as _min-k9 prob_(Shi et al., 2023), which checks the probabilities of \(k\) long-tail tokens, these token-level decontamination methods are inadequate whenthe model is trained with synthetic data. Synthetic data might include rephrased versions of the benchmark data (Mattern et al., 2023; Oren et al., 2023), rendering token-level decontamination ineffective. In addition to developing more advanced evaluation contamination detection techniques, we recommend that model developers invest in creating and maintaining in-house and protected evaluation benchmarks. These proprietary benchmarks should be carefully safeguarded to prevent leakage and ensure the integrity of the evaluation process.

합성 데이터를 사용한 훈련은 평가 오염 제거를 더 어렵게 만든다. 모델 훈련에서 합성 데이터를 사용하는 것은 공정한 평가에 상당한 도전을 제기한다. 평가 벤치마크는 종종 코스워크 웹사이트나 포럼과 같은 공개 텍스트 소스를 참조하여 만들어진다. 결과적으로, 공개적으로 이용 가능한 모든 벤치마크 테스트 케이스가 LLMs의 사전 트레이닝 데이터에 때때로 포함될 수 있다는 것은 논쟁의 여지가 있다(Gao et al., 2021; Hoffmann et al., 2022). 합성 데이터의 사용은 이 문제를 완화하기보다는 악화시킨다. 커뮤니티에서는 \(k\) 롱테일 토큰의 확률을 확인하는 _min-k9 prob_(Shi et al., 2023)와 같은 평가 오염을 감지하기 위한 몇 가지 기술을 제안했지만 이러한 토큰 수준 오염 제거 방법은 모델이 합성 데이터로 훈련될 때 부적절한다. 합성 데이터는 벤치마크 데이터의 변경된 버전(Mattern 등, 2023; Oren 등, 2023)을 포함할 수 있으며, 토큰 수준의 오염을 비효율적으로 렌더링한다. 보다 발전된 평가 오염 감지 기술을 개발할 뿐만 아니라 모델 개발자가 자체 및 보호된 평가 벤치마크를 만들고 유지하는 데 투자할 것을 권장한다. 이러한 독점 벤치마크는 누출을 방지하고 평가 프로세스의 무결성을 보장하기 위해 신중하게 보호되어야 한다.

The logical process of an AutoEncoder is that the original input (set to x) is weighted and mapped to y, which is then inversely weighted and mapped back to z. If through iterative training the loss function L(H) is minimised, i.e. z is as close to x as possible, i.e. x is perfectly reconstructed, then it can be said that forward weighting is a successful way of learning the key features of the input. AutoEncoder language models take their name from the Denoising AutoEncoder (DAE) (Vincent et al., 2008), which is used to predict tokens that are [masked] by contextual words (these [masked] words are actually noise added at the input, typical of thinking). DAE is a technique that involves adding random noise to the input layer of data. This helps to learn more robust features when using an unsupervised approach to pre-train the weights of a deep network in a hierarchical manner.

AutoEncoder의 논리적 과정은 원래 입력(x로 설정)에 가중치가 부여되고 y에 매핑되며, 그 다음 역 가중치가 부여되고 z에 다시 매핑된다. 반복 훈련을 통해 손실 함수 L(H)가 최소화되고, 즉 z가 가능한 한 x에 가깝고, 즉 x가 완벽하게 재구성된다면, 순방향 가중치는 입력의 주요 특징들을 학습하는 성공적인 방법이라고 말할 수 있다. AutoEncoder 언어 모델들은 그들의 이름을 Denoising AutoEncoder(DAE)(Vincent et al., 2008)로부터 가져오는데, 이는 문맥 단어들에 의해 [마스크된] 토큰들을 예측하는 데 사용된다(이러한 [마스크된] 단어들은 실제로 입력에서 추가된 노이즈, 사고의 전형이다). DAE는 데이터의 입력 계층에 랜덤 노이즈를 추가하는 것을 포함하는 기술이다. 이것은 계층적 방식으로 딥 네트워크의 가중치들을 사전 트레이닝하기 위해 감독되지 않은 접근법을 사용할 때 보다 강건한 특징들을 학습하는 것을 돕는다.

We fit the Hoffmann et al. parametric scaling law to our reconstructed subset of the data:

우리는 데이터의 재구성된 서브세트에 Hoffmann 등 파라메트릭 스케일링 법칙을 적합시킨다:

decreases, as the LM distribution anneals to argmax, as well as when temperature increases, as the distribution collapses to uniform. For both top-p and top-k we note that the model requires almost all of the distribution to perform well, indicating that there is significant information in the tails.

LM 분포가 argmax로 어닐링될 때뿐만 아니라 온도가 증가할 때 분포가 균일하게 붕괴됨에 따라 감소한다. top-p와 top-k 모두에 대해 우리는 모델이 거의 모든 분포가 잘 수행되어야 한다는 점에 주목하며, 이는 꼬리에 중요한 정보가 있음을 나타낸다.

Our result raises a number of questions. Why do models suffer the Reversal Curse? Do non-auto-regressive models suffer from it as well? Do humans suffer from some form of the Reversal Curse? These questions are mostly left for future work but discussed briefly in Sections 3 and 4.

우리의 결과는 많은 질문들을 제기한다. 모델들은 왜 '역전의 저주'를 겪을까? 비자동 회귀 모델도 이에 시달리나요? 인간은 어떤 형태의 역행 저주에 시달리나요? 이러한 질문은 대부분 향후 작업을 위해 남겨졌지만 섹션 3과 섹션 4에서 간략하게 논의되었다.

**Civil Engineering**: In civil engineering, LLM-based agents can be used to design and optimize complex structures such as buildings, bridges, dams, roads, etc. [138] proposes an interactive framework where human architects and agents collaborate to construct structures in a 3D simulation environment. The interactive agent can understand natural language instructions, place blocks, detect confusion, seek clarification, and incorporate human feedback, showing the potential for human-AI collaboration in engineering design.

**토목 공학**: 토목 공학에서 LLM 기반 에이전트를 사용하여 건물, 교량, 댐, 도로 등과 같은 복잡한 구조를 설계하고 최적화할 수 있습니다. [138] 3D 시뮬레이션 환경에서 인간 설계자와 에이전트가 협력하여 구조물을 구성하는 대화형 프레임워크를 제안한다. 대화형 에이전트는 자연어 명령어를 이해하고, 블록을 배치하고, 혼동을 감지하고, 명확성을 찾고, 인간 피드백을 통합할 수 있어 공학 설계에서 인간-AI 협업의 가능성을 보여준다.

Word Tokenization.The most basic tokenization approach is the splitting of sequences based on white spaces and considering each word as a token (Bengio et al., 2000).

워드 토큰화.가장 기본적인 토큰화 접근법은 화이트 스페이스를 기반으로 시퀀스를 분할하고 각 단어를 토큰으로 간주하는 것이다(Bengio et al., 2000).

We use next-word prediction loss for finetuning, and only compute loss on the responses, but not system and user instructions. We use AdamW optimizer with \(\beta_{1}\) set to 0.9, \(\beta_{2}\) set to 0.999, and \(\epsilon\) set to \(10^{-8}\). We use a sequence length of 4096, alongside a batch size of 64. We set training step to 300 with a constant \(1\times 10^{-5}\) learning rate, a weight decay of 0.1, gradient clipping with a maximum threshold of 1.0, and NEFTune [34] with a noise scale of 45 for Yi-34B-Chat and 5 for Yi-6B-Chat.

우리는 미세조정을 위해 다음 단어 예측 손실을 사용하고 응답에 대한 손실만 계산하지만 시스템 및 사용자 명령은 계산하지 않는다. AdamW 최적화기는 \(\beta_{1}\)를 0.9로, \(\beta_{2}\)를 0.999로, \(\epsilon\)를 10^{-8}\로 설정하였다. 배치 크기 64와 함께 시퀀스 길이 4096을 사용하였다. 학습 단계는 일정한 \(1\times 10^{-5}\) 학습률, 무게 감소 0.1, 기울기 클리핑 최대 임계값 1.0, 노이즈 척도인 NEFTune [34]는 Yi-34B-Chat의 경우 45, Yi-6B-Chat의 경우 5로 300으로 설정하였다.

An improved cost-optimal attack.It is possible to generalize the above attack to improve _both_ the query cost and token cost. Instead of issuing queries to the model that reveal 4 or 5 logit values for a single generated token, we might instead hope to be able to send a multi-token query \(\begin{bmatrix}p_{0}&p_{1}&p_{2}\dots p_{n}\end{bmatrix}\) and then ask for the logprob vector for each prefix of the prompt \(\begin{bmatrix}p_{0}\end{bmatrix}\), \(\begin{bmatrix}p_{0}&p_{1}\end{bmatrix}\), \(\begin{bmatrix}p_{0}&p_{1}&p_{2}\end{bmatrix}\) etc. OpenAI's API did allow for queries of this form in the past, by providing logprobs for _prompt_ tokens as well as generated tokens by combining the logprob and echo parameters; this option has since been removed.

개선된 비용 최적 공격.위의 공격을 일반화하여 쿼리 비용과 토큰 비용을 모두 개선할 수 있습니다. 단일 토큰에 대해 4 또는 5 로짓 값을 나타내는 모델에 쿼리를 발행하는 대신 다중 토큰 쿼리 \(\begin{bmatrix}p_{0}&p_{1}&p_{2}\dots p_{n}\end{bmatrix}\)를 보낸 다음 프롬프트 \(\begin{bmatrix}p_{0}\end{bmatrix}\), \(\begin{bmatrix}p_{0}&p_{1}\end{bmatrix}\), \(\begin{bmatrix}p_{0}&p_{1}&p_{2}\end{bmatrix}\)의 각 접두사에 대한 로그프로브 벡터를 요청할 수 있습니다. OpenAI의 API는 이전에 로그프로브 및 에코 매개 변수를 결합하여 생성된 토큰뿐만 아니라 _prompt_ 토큰에 대한 로그프로브를 제공하여 이 형식의 쿼리를 허용했으며 이후 이 옵션이 제거되었습니다.

The attached code allows users to generate alternate versions of each dataset used for our experiments, finetune on the datasets using the OpenAI API, and evaluate finetuned models on our datasets. Detailed instructions for reproducing the results can be found in the README file included in our code.

첨부된 코드를 통해 사용자는 실험에 사용된 각 데이터 세트의 대체 버전을 생성하고 OpenAI API를 사용하여 데이터 세트에 대한 미세 조정 및 데이터 세트에 대한 미세 조정 모델을 평가할 수 있다. 결과를 재현하기 위한 자세한 지침은 저희 코드에 포함된 README 파일에서 확인하실 수 있습니다.

**Fine-tuning Dataset** We create a fine-tuning dataset comprising approximately 80,000 pairs of prompts and responses in Traditional Chinese, generated by GPT-4 with self-instruct Wang et al. (2022). Additionally, we have added Chinese-English translation and summarization data from news sources. It is important to note that our dataset exclusively consists of single-turn prompt-response pairs, and does not include multi-turn dialogues.

**미세 조정 데이터 세트** 자가 명령 Wang 등 (2022)을 사용 하 여 GPT-4에서 생성 된 약 80,000 쌍의 프롬프트 및 응답을 번체 중국어로 구성 하는 미세 조정 데이터 세트를 만듭니다. 또한 뉴스 소스의 한영 번역 및 요약 데이터를 추가했습니다. 우리의 데이터 세트는 독점적으로 단일 회전 프롬프트 응답 쌍으로 구성되며 다중 회전 대화 상자는 포함하지 않는다는 점에 유의하는 것이 중요하다.

Figure 8: The model acquires the ability to engage in step-by-step reasoning by leveraging prior premises through data-driven learning. We add regularization to language modeling, compelling the model to grasp the deductive relationship inherent between premises and conclusions.

그림 8: 모델은 데이터 기반 학습을 통해 사전 전제를 활용하여 단계별 추론에 참여할 수 있는 능력을 획득한다. 우리는 언어 모델링에 정규화를 추가하여 모델이 전제와 결론 사이에 내재된 연역적 관계를 파악할 수 있도록 한다.

We deliberately set min points per centroids low and max points per centroid high so that faiss does not attempt to manually balance the clusters while doing K-Means. Sorscher et al. [47] found that explicitly class-balancing is important: they introduce the "class balance score" (see Section H of Sorscher et al. [47]) which is the expectation of the quantity \(\frac{\text{size of majority class}}{\text{size of minority class}}\) over all pairs of classes. They then set a hard limit for the class balance score of 0.5, meaning that "every class has at least 50% of the images that it would have when pruning all classes equally" [47]. We consider the unsupervised-learning analog of the class-balance score, which we refer to as the "cluster balance" score. The cluster balance score is the expectation of the quantity \(\frac{\text{size of bigger cluster}}{\text{size of smaller cluster}}\) over all pairs of clusters. Across all of our data selection methods (and choices for R) we find that this value is generally equal to or bigger than \(0.5\) without any explicit intervention. For this reason, we do not explicitly cluster balance, although we note that changing how many points are sampled from each cluster (based on properties of the cluster) is very interesting future work.

우리는 페이스가 K-평균을 수행하는 동안 클러스터의 균형을 수동으로 맞추려고 시도하지 않도록 의도적으로 센트로이드당 최소 포인트와 센트로이드당 최대 포인트를 낮게 설정했다. Sorscher et al. [47]은 모든 클래스 쌍에 대한 수량 \(\frac{\text{size of majority class}}{\text{size of minority class}}}\)의 기대치인 "클래스 균형 점수"(Sorscher et al. [47]의 섹션 H 참조)를 명시적으로 클래스 균형이 중요하다는 것을 발견했다. 그런 다음 그들은 클래스 균형 점수 0.5에 대해 하드한계를 설정했는데, 이는 "모든 클래스는 모든 클래스를 균등하게 가지치기할 때 가질 이미지의 최소 50%를 갖는다"는 것을 의미한다[47]. 우리는 "클러스터 균형" 점수라고 하는 클래스 균형 점수의 비지도 학습 아날로그를 고려한다. 클러스터 균형 점수는 모든 클러스터 쌍에 대한 \(\frac{\text{size of larger cluster}}{\text{size of smaller cluster}}\)의 양에 대한 기대값이다. 모든 데이터 선택 방법(및 R에 대한 선택)에서 이 값은 명시적 개입 없이 일반적으로 \(0.5\)과 같거나 더 크다는 것을 발견했다. 이러한 이유로, 우리는 (클러스터의 속성에 기초하여) 각 클러스터에서 샘플링되는 점의 수를 변경하는 것이 향후 매우 흥미로운 작업이라는 점에 주목하지만, 명시적으로 클러스터 균형을 맞추지 않는다.

In this work, we aim to quantify the tension between LLMs' internal knowledge and the retrieved information presented in RAG settings. To tease apart these two competing forces, we query LLMs to answer questions and measure the token probabilities while introducing varying perturbations to reference documents. Our analyses reveal two key findings:

이 작업에서 우리는 LLM의 내부 지식과 RAG 설정에 제시된 검색된 정보 사이의 긴장을 정량화하는 것을 목표로 한다. 이 두 가지 경쟁력을 구별하기 위해 LLM에 쿼리하여 질문에 답하고 참조 문서에 다양한 섭동을 도입하면서 토큰 확률을 측정한다. 우리의 분석에서는 두 가지 주요 결과를 보여준다.

The parameters \(a\) and \(c\) are fitted from the data. If the loss of selected tokens \(\mathcal{L}_{s}\) is used for fitting, then \(a>0\). Conversely, if the loss of unselected tokens \(\mathcal{L}_{us}\) is used for fitting, then \(a<0\). Therefore, we believe that training the model on selected tokens can effectively improve its performance on downstream tasks, while unselected tokens may have a detrimental effect on the model's performance in downstream tasks.

매개변수 \(a\) 및 \(c\)는 데이터에서 적합됩니다. 선택한 토큰의 손실 \(\mathcal{L}_{s}\)이 피팅에 사용되는 경우 \(a>0\)입니다. 반대로 선택되지 않은 토큰의 손실 \(\mathcal{L}_{us}\)이 피팅에 사용되면 \(a<0\). 따라서, 선택된 토큰에 대해 모델을 훈련시키는 것은 다운스트림 태스크에서 모델의 성능을 효과적으로 향상시킬 수 있는 반면, 선택되지 않은 토큰은 다운스트림 태스크에서 모델의 성능에 해로운 영향을 미칠 수 있다고 믿는다.

Self-Consistency has significant applications in fields where the veracity of information is critical. It is particularly relevant in scenarios like fact-checking, where ensuring the accuracy of information provided by AI models is essential. By employing this technique, prompt engineers can enhance the trustworthiness of LLMs, making them more reliable for tasks that require high levels of factual accuracy.

자기일관성은 정보의 진실성이 중요한 분야에서 중요한 응용을 가지고 있다. 특히 AI 모델에서 제공하는 정보의 정확성을 보장하는 것이 필수적인 팩트 체킹과 같은 시나리오와 관련이 있다. 이 기술을 사용하면 신속한 엔지니어가 LLM의 신뢰성을 향상시켜 높은 수준의 사실적 정확성을 요구하는 작업에 더 신뢰할 수 있다.

**llama2 \(\rightarrow\) CP \(+\) chat vector** Continual pretraining LLaMA2 on the target language corpus and then adding chat vector.

**llama2 \(\rightarrow\) CP \(+\) 채팅 벡터** 대상 언어 말뭉치에서 LLaMA2를 계속 사전 훈련한 다음 채팅 벡터를 추가합니다.

**Kernel Layer.** The kernel layer is divided into two primary components: the OS Kernel and the LLM Kernel, each serving the unique requirements of non-LLM and LLM-specific operations, respectively. This distinction allows the LLM kernel to focus on LLM specific tasks such as context management and agent scheduling, which are essential for handling LLM-related activities and are not typically within the purview of standard OS kernel functions. Our work primarily concentrates on enhancing the LLM kernel without making significant alterations to the existing OS kernel structure. The LLM kernel is equipped with several key modules, including the LLM system call interface, agent scheduler, context manager, memory manager, storage manager, tool manager, and access manager. These components are designed to address the diverse execution needs of agent applications, ensuring efficient management and execution within the AIOS framework. The specifics of these modules will be further detailed in Section 4.

**커널 계층.** 커널 계층은 OS 커널과 LLM 커널의 두 가지 기본 구성 요소로 나뉘며, 각 구성 요소는 각각 비LLM 및 LLM 특정 작업의 고유한 요구 사항을 제공합니다. 이러한 구별은 LLM 커널이 컨텍스트 관리 및 에이전트 스케줄링과 같은 LLM 특정 작업에 초점을 맞출 수 있게 하는데, 이는 LLM 관련 활동을 처리하는데 필수적이며 일반적으로 표준 OS 커널 함수의 범위 내에 있지 않다. 우리의 작업은 주로 기존 OS 커널 구조를 크게 변경하지 않고 LLM 커널을 향상시키는 데 중점을 둔다. LLM 커널에는 LLM 시스템 호출 인터페이스, 에이전트 스케줄러, 컨텍스트 매니저, 메모리 매니저, 스토리지 매니저, 툴 매니저, 액세스 매니저 등 여러 핵심 모듈이 탑재되어 있다. 이러한 구성 요소는 에이전트 애플리케이션의 다양한 실행 요구를 해결하기 위해 설계되어 AIOS 프레임워크 내에서 효율적인 관리 및 실행을 보장합니다. 이러한 모듈의 세부 사항은 섹션 4에서 더 자세히 설명한다.

where \(\left(\frac{N_{c}}{N}\right)^{\alpha_{N}}\) is Eq. 3.1, and \(S_{c}\) and \(\alpha_{S}\) are constant scalars to be estimated.

여기서 \(\left(\frac{N_{c}}{N}\right)^{\alpha_{N}}\)는 Eq. 3.1이고, \(S_{c}\)와 \(\alpha_{S}\)는 추정하고자 하는 일정한 스칼라이다.

**Mixing different training distributions:** While we chose one data distribution to both select data and train on, modern LLM setups usually mix different data sources. Our method is likely complimentary to such pipelines: practitioners may use D4 to diversify and de-duplicate individual data sources and then mix data sources to provide additional diversity in their training dataset. We leave exploring the efficacy of D4 on a mix of training distributions as future work, but expect that this will yield further gains by reducing redundancy across datasets as well as within datasets.

**다른 훈련 분포 혼합:** 데이터를 선택하고 훈련하기 위해 하나의 데이터 분포를 선택했지만 최신 LLM 설정은 일반적으로 다른 데이터 원본을 혼합합니다. 우리의 방법은 이러한 파이프라인에 상보적일 수 있다: 실무자들은 D4를 사용하여 개별 데이터 소스를 다양화하고 중복을 제거한 다음 데이터 소스를 혼합하여 훈련 데이터 세트에 추가 다양성을 제공할 수 있다. 우리는 향후 작업으로 학습 분포의 혼합에 대한 D4의 효능을 탐구하는 것을 남겨두지만 이것이 데이터 세트뿐만 아니라 데이터 세트 내에서도 중복성을 줄임으로써 추가 이득을 얻을 것으로 기대한다.

pervised, and reinforcement learning (RL) based methods. We proceed by briefly reviewing these methods and their relation to the problem of knowledge injection.

pervised, 및 강화 학습(reinforcement learning, RL) 기반 방법. 우리는 이러한 방법들과 지식 주입의 문제와의 관련성에 대해 간략히 검토하는 것으로 진행한다.

For the training of the model variants, we utilized two distinct codebases: Axolot7 for the initial pre-training phase and LLaMA-Factory8(hiyouga, 2023) for subsequent fine-tuning. These codebases provided a strong and reliable base for our training process.

모델 변형의 학습을 위해 초기 사전 학습 단계에서 Axolot7과 후속 미세 조정을 위해 LLaMA-Factory8(hiyouga, 2023)의 두 가지 별개의 코드베이스를 활용했다. 이러한 코드베이스는 우리의 훈련 과정에 강력하고 신뢰할 수 있는 기반을 제공했다.

In Figure 6 of [37], they evaluate 4 tasks in BIG-Bench with the Brier Score metric and find that the emergent abilities disapper. We hypothesis that they normalize the Brier Score with the number of options in each question, otherwise the Brier Score of 0.25 on the swahili_english_proverbs task is too low for the smallest model. Four tasks have 2, 2, 4, 5 options in each question. The values of

[37]의 [그림 6]에서 BIG-Bench에서 4개의 과제를 Brier Score 메트릭으로 평가하고 창발 능력이 장애물이라는 것을 발견한다. 우리는 그들이 각 질문에 있는 옵션의 수로 Brier Score를 정규화하고 그렇지 않으면 swahili_english_proverbs 태스크에서 0.25의 Brier Score가 가장 작은 모델에 대해 너무 낮다고 가정한다. 4개의 과제는 각 문항에 2, 2, 4, 5개의 옵션이 있다. 의 값들

For the other Chinese LLaMA models (basic version), we utilize a 20GB general Chinese corpus for pre-training, which is consistent with the corpora used by Chinese BERT-wvm (Cui et al., 2021), MacBERT (Cui et al., 2020), LERT (Cui et al., 2022), and others. We also provide "Plus" version, which further expands the pre-training data to 120GB, incorporating additional data from CommonCrawl (CC) and encyclopedia sources, enhancing the model's understanding of fundamental concepts. We concatenated all the datasets and generated chunks of block size 512 for pre-training purposes.

다른 중국 LLaMA 모델(기본 버전)의 경우 사전 훈련을 위해 20GB 일반 중국 말뭉치를 활용하는데, 이는 중국 BERT-wvm(Cui et al., 2021), MacBERT(Cui et al., 2020), LERT(Cui et al., 2022) 등이 사용하는 말뭉치와 일치한다. 또한 커먼크롤(CC) 및 백과사전 소스의 추가 데이터를 통합하여 기본 개념에 대한 모델의 이해도를 높이는 사전 훈련 데이터를 120GB로 추가로 확장하는 "플러스" 버전을 제공한다. 사전 훈련을 위해 모든 데이터 세트와 블록 크기 512의 청크를 연결했다.

2020; Wu et al., 2021; Xiao et al., 2021; Li et al., 2022; Gupta and Gupta, 2022) is more challenging as it introduces additional temporal information compared to visual multi-modal reasoning.

2020; Wu et al., 2021; Xiao et al., 2021; Li et al., 2022; Gupta and Gupta, 2022)는 시각적 멀티모달 추론에 비해 추가적인 시간 정보를 도입하기 때문에 더 어렵다.

**1. Classification:** Cross-lingual Choice of Plausible Alternatives (XCOPA) (Ponti et al., 2020) tests causal commonsense reasoning in 11 languages

**1. 분류:** XCOPA(교차 언어 선택) (Ponti 등, 2020) 11개 언어에서 인과적 상식 추론을 테스트합니다.

**Raw data.** We source forecasting questions from the 5 above-mentioned platforms. This yields a total of 48,754 questions and 7,174,607 user forecasts spanning from 2015 to 2024. The dataset includes 33,664 binary questions, 9,725 multiple-choice questions, 4,019 numerical questions, and 1,346 questions of other types. The questions cover a wide range of topics across the globe (Figure 10).

**원시 데이터.** 위에서 언급한 5개 플랫폼에서 예측 질문을 원본으로 합니다. 이는 2015년부터 2024년까지 총 48,754개의 질문과 7,174,607개의 사용자 예측을 산출한다. 데이터 세트에는 33,664개의 이진 질문, 9,725개의 객관식 질문, 4,019개의 숫자 질문, 기타 유형의 1,346개의 질문이 포함된다. 질문은 전 세계적으로 광범위한 주제를 다룬다(그림 10).

**Metrics.** Considering the limitations of 2-billion parameter models, our evaluation criteria go beyond just the accuracy of responses. We additionally consider factors such as usefulness, relevance, accuracy, depth, creativity, and the level of detail in the model's answers. This comprehensive method allows for a detailed evaluation of the model's response quality. Specifically, We use GPT-4 (Achiam et al., 2023) to score responses from tested LLMs in specific problem contexts, with the scoring prompt available in the Appendix. C.2. We translate the score assignment prompt template from Zheng et al. (2024).

**메트릭.** 20억 개의 매개 변수 모델의 한계를 고려할 때 평가 기준은 반응의 정확도를 넘어섭니다. 모델의 답변에서 유용성, 관련성, 정확성, 깊이, 창의성, 세부 수준 등의 요소를 추가적으로 고려한다. 이러한 포괄적인 방법은 모델의 응답 품질에 대한 상세한 평가를 가능하게 한다. 구체적으로, GPT-4(Achiam et al., 2023)를 사용하여 특정 문제 컨텍스트에서 테스트된 LLM으로부터 응답을 스코어링하고, 스코어링 프롬프트는 부록 C.2에서 이용가능하다. Zheng et al.(2024)로부터 스코어링 할당 프롬프트 템플릿을 번역한다.

Figure 6: **Test-Time Documents Varying**: We study how robust RAFT is to varying numbers of test-time documents that a retriever might provide. In NQ, we find that training with 4 documents leads to the best performance, but training with 2 documents is optimal for HotpotQA. However, across both datasets, training with all datasets consisting of _oracle_ documents hurts performance.

그림 6: **테스트 시간 문서 변동**: 검색기가 제공할 수 있는 다양한 수의 테스트 시간 문서에 대해 RAFT가 얼마나 강력한지 연구합니다. NQ에서는 4개의 문서로 훈련하는 것이 최상의 성능으로 이어지지만 HotpotQA에서는 2개의 문서로 훈련하는 것이 최적이다. 그러나 두 데이터 세트 모두에서 _오라클_ 문서로 구성된 모든 데이터 세트를 사용한 훈련은 성능에 영향을 미칩니다.

**Summarization prompt.** We sweep over 5 candidate prompts for summarization and evaluate the resulting Brier scores. The best summarization prompt gives a Brier score of 0.193 and the second gives 0.201. In this step of hyperparameter search, the ordering of the summaries, article count and reasoning prompt are randomly chosen for each question to avoid confounding.

**요약 프롬프트** 요약을 위해 5개의 후보 프롬프트를 스윕하고 결과 브라이어 점수를 평가합니다. 최상의 요약 프롬프트는 0.193의 Brier 점수를 제공하고 두 번째는 0.201의 Brier 점수를 제공한다. 하이퍼파라미터 검색의 이 단계에서는 혼동을 피하기 위해 요약, 기사 수 및 추론 프롬프트의 순서를 각 질문에 대해 무작위로 선택한다.

We investigated the scaling laws of language models, specifically the relationship between model size and the total bits of knowledge stored. Our findings reveal a _precise, universal_ scaling law: a sufficiently-trained transformer (i.e., one whose training loss has plateau-ed) can store 2 bits of knowledge per parameter, even when quantized to int8, which is only 1/4 away from the information-theoretical maximum. We also examined how these scaling laws are influenced by various hyperparameters, including training duration, model architectures, floating-point precision, sparsity constraints like MoE, and data signal-noise ratios.

우리는 언어 모델의 스케일링 법칙, 특히 모델 크기와 저장된 총 지식 비트 사이의 관계를 조사했다. 우리의 연구 결과는 _정확하고 보편적인_ 스케일링 법칙을 보여준다: 충분히 훈련된 변압기(즉, 훈련 손실이 안정화된 변압기)는 정보 이론적 최대값에서 1/4만 떨어져 있는 int8로 양자화된 경우에도 매개변수당 2비트의 지식을 저장할 수 있다. 또한 이러한 스케일링 법칙이 훈련 기간, 모델 아키텍처, 부동 소수점 정밀도, MoE와 같은 희소성 제약 및 데이터 신호-잡음비를 포함한 다양한 하이퍼파라미터에 의해 어떻게 영향을 받는지 조사했다.

GPT2 with Smaller MLP.Mistral has a larger MLP layer, and it is often believed that the MLP layer serves primarily for storing knowledge, in contrast to the Attention layer. But is this truly the case?

Smaller MLP.Mistral이 있는 GPT2는 더 큰 MLP 층을 가지며, 종종 MLP 층은 어텐션 층과 대조적으로 주로 지식을 저장하는 역할을 한다고 믿어진다. 하지만 이게 정말 사실인가요?

First of all, as discussed in the Ethical Considerations, our method requires a strong LLM to generate the data, so the performance of our method depends on the quality of the LLM and may inherit bias and fairness issues from it. On the other hand, CodecLM can benefit from stronger LLMs improved with advanced bias-reducing and fairness-enhancing approaches.

우선, 윤리적 고려사항에서 논의된 바와 같이, 우리의 방법은 데이터를 생성하기 위해 강한 LLM을 요구하므로, 우리의 방법의 성능은 LLM의 품질에 의존하며, 그것으로부터 편향 및 공정성 문제를 물려받을 수 있다. 반면에, CodecLM은 진보된 편향 감소 및 공정성 향상 접근법으로 개선된 더 강한 LLM으로부터 이익을 얻을 수 있다.

The deviation of the DeepSeek models' performance from the predictions of Eq.(1) could indeed stem from the adoption of a new model scale representation. By utilizing non-embedding FLOPs per token \(M\) instead of the overall model parameters \(N\), the scaling law that was originally designed or calibrated for the parameter might not accurately capture the performance nuances associated with computational complexity per token.

DeepSeek 모델의 성능과 Eq의 예측의 편차입니다. (1) 실제로 새로운 모델 척도 표현의 채택에서 비롯될 수 있다. 전체 모델 파라미터 \(N\) 대신에 토큰당 non-embedding FLOPs \(M\)를 사용함으로써, 원래 설계되거나 파라미터에 대해 보정된 스케일링 법칙은 토큰당 계산 복잡도와 관련된 성능 뉘앙스를 정확하게 포착하지 못할 수 있다.

ART involves a systematic approach where, given a task and input, the system first identifies similar tasks from a task library. These tasks are then used as examples in the prompt, guiding the LLM on how to approach and execute the current task. This method is particularly effective when tasks require a combination of internal reasoning and external data processing or retrieval.

ART는 태스크와 입력이 주어지면, 시스템이 먼저 태스크 라이브러리로부터 유사한 태스크들을 식별하는 체계적인 접근법을 포함한다. 그런 다음 이러한 작업을 프롬프트에서 예로 사용하여 현재 작업에 접근하고 실행하는 방법에 대해 LLM을 안내합니다. 이 방법은 작업이 내부 추론과 외부 데이터 처리 또는 검색의 조합을 필요로 할 때 특히 효과적이다.

We introduce Self-Instruct, a method to improve the instruction-following ability of LMs via their own generation of instruction data. On experimenting with vanilla GPT3, we automatically construct a large-scale dataset of 52K instructions for diverse tasks, and finetuning GPT3 on this data leads to a 33% absolute improvement on SuperNI over the original GPT3. Furthermore, we curate a set of expert-written instructions for novel tasks. Human evaluation on this set shows that tuning GPT3 with Self-Instruct outperforms using existing public instruction datasets by a large margin and performs closely to InstructGPT\({}_{001}\). We hope Self-Instruct can serve as the first step to align pretrained LMs to follow human instructions, and future work can build on top of this data to improve instruction-following models.

본 논문에서는 자체적인 명령어 데이터 생성을 통해 LMs의 명령어 추종 능력을 향상시키는 방법인 Self-Instruct를 소개한다. 바닐라 GPT3를 이용하여 다양한 태스크에 대한 52K 명령어의 대규모 데이터세트를 자동으로 구성하고, 이 데이터에 GPT3를 미세 조정함으로써 SuperNI가 기존 GPT3보다 33%의 절대적 성능향상을 달성하였으며, 새로운 태스크에 대한 전문가 작성 명령어 세트를 선별하였다. 이 집합에 대한 인간 평가는 Self-Instruct로 GPT3를 튜닝하는 것이 기존의 공개 명령어 데이터셋을 사용하는 것보다 큰 마진만큼 성능이 뛰어나며 InstructGPT\({}_{001}\)와 밀접하게 수행됨을 보여준다. 우리는 Self-Instruct가 사전 훈련된 LMs를 인간의 지시를 따르도록 정렬하는 첫 번째 단계 역할을 할 수 있고, 향후 작업이 이 데이터 위에 구축되어 지시를 따르는 모델을 개선할 수 있기를 바란다.

**Benchmarking Auto-evaluation.** While auto-evaluation was significantly better than random guessing at aligning with specialist preferences, it was unclear if the resulting performance was sufficient. To test this, we had 139 dialogue pairs each rated by a second specialist, and we computed the rank-order agreement of the two specialists on this subset (see figure A.18). We observed that auto-evaluation was about as accurate as the alternative specialists in predicting the first specialist's rank-order, suggesting that it is useful to leverage auto-evaluation for these criteria.

**벤치마킹 자동 평가** 자동 평가가 전문가 선호도와 일치할 때 무작위 추측보다 훨씬 우수했지만 결과 성능이 충분한지 여부는 불분명했다. 이를 테스트하기 위해 두 번째 전문가가 각각 139개의 대화 쌍을 평가했으며 이 하위 집합에 대한 두 전문가의 순위 일치를 계산했다(그림 A.18 참조). 우리는 자동 평가가 첫 번째 전문가의 순위를 예측하는 데 대체 전문가만큼 정확하다는 것을 관찰했으며, 이는 이러한 기준에 대한 자동 평가를 활용하는 것이 유용함을 시사한다.

Model merging [15; 28], a recent development in the large language model (LLM) community, presents a novel paradigm shift. By strategically combining multiple LLMs into a single architecture, this exciting development has captured the attention of researchers due to its key advantage: it requires no additional training, making it an incredibly cost-effective approach for developing new models. This accessibility has fueled a surge in interest and experimentation with model merging. The Open LLM Leaderboard [20] is now dominated by merged models, showcasing its potential for democratizing foundation model development.

대형 언어 모델(LLM) 커뮤니티의 최근 발전인 모델 병합[15; 28]은 새로운 패러다임 변화를 제시한다. 여러 LLM을 하나의 아키텍처로 전략적으로 결합함으로써 이 흥미로운 개발은 추가 교육이 필요하지 않기 때문에 새로운 모델 개발을 위한 믿을 수 없을 정도로 비용 효율적인 접근법이라는 핵심 장점으로 인해 연구자들의 관심을 끌었다. 이러한 접근성은 모델 병합에 대한 관심과 실험의 급증을 부채질했다. 오픈 LLM 리더보드[20]는 현재 통합 모델에 의해 지배되어 기초 모델 개발을 민주화할 수 있는 잠재력을 보여준다.

We provide details about our system, described at a high-level in Section 4. We specify the hyperparameters used in our (optimized) settings. Some of them are discovered by the hyperparameter sweep (Section 5.2).

우리는 섹션 4에서 높은 수준에서 설명한 시스템에 대한 세부 정보를 제공한다. 우리는 (최적화된) 설정에서 사용되는 하이퍼파라미터를 지정한다. 그들 중 일부는 하이퍼파라미터 스윕(섹션 5.2)에 의해 발견된다.

In this section, we review the architecture design of LLMs, _i.e.,_ mainstream architecture, pre-training objective, and detailed configuration. Table V presents the model cards of several representative LLMs with public details.

이 섹션에서는 LLM의 아키텍처 설계, 즉 주류 아키텍처, 사전 훈련 목표 및 세부 구성을 검토한다. 표 V는 공개 세부 정보가 있는 여러 대표 LLM의 모델 카드를 보여준다.

**Human Annotation**: This evaluation method involves human evaluators directly scoring or rankingthe outputs generated by various agents [22, 29, 105]. For example, in [20], the authors employ many annotators, and ask them to provide feedback on five key questions that directly associated with the agent capability. Similarly, [159] assess model effectiveness by having human participants rate the models on harmlessness, honesty, helpfulness, engagement, and unbiasedness, subsequently comparing these scores across different models. In [79], annotators are asked to determine whether the specifically designed models can significantly enhance the development of rules within online communities.

**인간 주석**: 이 평가 방법은 인간 평가자가 직접 다양한 에이전트에서 생성된 출력의 점수를 매기거나 순위를 매기는 작업을 포함합니다. [22, 29, 105]. 예를 들어 [20]에서 저자는 많은 주석자를 사용하고 에이전트 기능과 직접 관련된 5가지 핵심 질문에 대한 피드백을 제공하도록 요청합니다. 유사하게, [159]는 인간 참가자가 무해성, 정직성, 유용성, 참여 및 편향성에 대해 모델을 평가하도록 하여 모델 효과를 평가하고, 후속적으로 다양한 모델에 걸쳐 이러한 점수를 비교한다. [79]에서 주석자는 특별히 설계된 모델이 온라인 커뮤니티 내에서 규칙의 개발을 크게 향상시킬 수 있는지 여부를 결정하도록 요청받는다.

Note that while \(\ell(y|x)\) has the same form as the pre-training loss \(L\), they are not equal. First, the pre-training loss is an average of all the tokens in all the documents pre-trained on. According to our empirical observation, the losses of different documents are not uniform. Second, if \(x\) and similar documents do not exist in the pre-training corpus, \(\ell(y|x)\) is the generalization loss, which is often related to other factors beyond the training loss, such as the model size. For example, in computer vision, a highly over-parameterized models often improve over an under-parameterized models in test performance when both models converge on the training data [9; 4].

\(\ell(y|x)\)은 사전 훈련 손실 \(L\)과 동일한 형태를 가지지만 동일하지는 않습니다. 먼저 사전 훈련 손실은 사전 훈련된 모든 문서에 있는 모든 토큰의 평균입니다. 우리의 경험적 관찰에 따르면, 서로 다른 문서의 손실은 균일하지 않다. 둘째, 학습 전 말뭉치에 \(x\)와 유사한 문서들이 존재하지 않는 경우, \(\ell(y|x)\)는 일반화 손실이며, 이는 모델 크기와 같은 학습 손실 이상의 다른 요인과 관련이 있는 경우가 많다. 예를 들어, 컴퓨터 비전에서, 고도로 과대파라미터화된 모델들은 종종 두 모델들이 트레이닝 데이터에 수렴할 때 테스트 성능에서 과소파라미터화된 모델들보다 개선된다[9; 4].

We evaluate GSM8k [42] and MATH benchmarks [43] by employing the following CoT [31] prompt:

다음 CoT [31] 프롬프트를 사용하여 GSM8k [42] 및 MATH 벤치마크 [43]을 평가합니다.

evaluation. Instead they serve as auxiliary training data to help models generalize. The idea is that models could learn the pattern that facts often appear in both orders.9

평가. 대신 모델이 일반화하는 데 도움이 되는 보조 훈련 데이터 역할을 한다. 그 아이디어는 모델들이 두 오더에서 공통적으로 나타나는 패턴을 배울 수 있다는 것이다.

To add these fractions, we need to find a common denominator, which is the least common multiple (LCM) of the three denominators (-4, -2, and -3). The LCM of these denominators is -12.

이러한 분수를 더하기 위해서는 세 분모(-4, -2, -3)의 최소공배수(LCM)인 공통분모를 찾아야 한다. 이 분모의 LCM은 -12입니다.

Given the results from the prior section, we chose to implement the improved 4-logprob attack (Section 5.3) because it is both the most query efficient attack and also the most precise attack. Switching to a different attack algorithm would increase our total experiment cost significantly, and so we do not perform these ablation studies.

이전 섹션의 결과를 감안할 때, 우리는 개선된 4-로그프로브 공격(섹션 5.3)을 구현하기로 선택했는데, 이는 가장 질의 효율적인 공격이자 가장 정확한 공격이기 때문이다. 다른 공격 알고리즘으로 전환하면 총 실험 비용이 크게 증가하므로 이러한 절제 연구를 수행하지 않는다.

_Remark._ Upon comparing the aforementioned strategies for agent capability acquisition, we can find that the fine-tuning method improves the agent capability by adjusting model parameters, which can incorporate a large amount of task-specific knowledge, but is only suitable for open-source LLMs. The method without fine-tuning usually enhances the agent capability based on delicate prompting strategies or mechanism engineering. They can be used for both open- and closed-source LLMs. However, due to the limitation of the input context window of LLMs, they cannot incorporate too much task information. In addition, the designing spaces of the prompts and mechanisms are extremely large, which makes it not easy to find optimal solutions.

_비고___ 앞서 언급한 에이전트 능력 획득 전략을 비교한 결과, 미세 조정 방법은 모델 파라미터를 조정하여 에이전트 능력을 향상시키며, 이는 많은 양의 태스크 특정 지식을 통합할 수 있지만 오픈 소스 LLM에만 적합하다는 것을 알 수 있다. 미세 조정이 없는 방법은 일반적으로 정교한 프롬프트 전략이나 메커니즘 엔지니어링을 기반으로 에이전트 기능을 향상시킵니다. 오픈 소스 및 폐쇄 소스 LLM 모두에 사용할 수 있습니다. 그러나 LLM의 입력 컨텍스트 창의 한계로 인해 너무 많은 태스크 정보를 통합할 수 없다. 또한 프롬프트와 메커니즘의 설계 공간이 매우 커서 최적의 솔루션을 찾기가 쉽지 않다.

To learn an objective that fosters superior translations and rejects inferior ones, access to labeled preference data is

우수한 번역을 육성하고 열등한 번역을 거부하는 목적을 배우기 위해 레이블이 지정된 선호도 데이터에 액세스하는 것은

On dynamic data curating.Our study presents a pipeline to decide on a group of fixed mixture proportions for pretraining. More sophisticated data curating can include dynamic proportions (Albalak et al., 2023) and even a curriculum that changes data domains (Chen et al., 2024). The application of our data mixing laws in continual pretraining (Sec. 5) implies the prospect of extending our findings to these settings. On top of this, we believe that it is promising to incorporate further analysis to pursue a dynamic data mixing law.

동적 데이터 큐레이팅에 관한 연구로서, 본 연구에서는 프리 트레이닝을 위한 고정된 혼합물 비율 그룹을 결정하기 위한 파이프라인을 제시한다. 보다 정교한 데이터 큐레이팅은 동적 비율(Albalak 등, 2023) 및 심지어 데이터 도메인을 변경하는 커리큘럼(Chen 등, 2024)을 포함할 수 있다. 지속적인 사전교육(Sec. 5)에서 데이터 혼합법의 적용 우리의 연구 결과를 이러한 설정으로 확장할 가능성을 암시한다. 여기에 역동적인 데이터 혼합 법칙을 추구하기 위해 추가 분석을 통합하는 것이 유망하다고 생각한다.

To optimize the training process, we maintain a constant learning rate of 3e-5, and adopt a strategic approach to gradually increase the batch size from 4M tokens whenever the model's loss plateaued. This incremental adjustment of the batch size, alongside maintaining all other parameters in alignment with the established Yi-6B base model configuration, was instrumental in navigating the challenges of training at scale.

학습 프로세스를 최적화하기 위해 3e-5의 일정한 학습률을 유지하고 모델의 손실이 정체될 때마다 4M 토큰에서 배치 크기를 점진적으로 증가시키는 전략적 접근법을 채택한다. 배치 크기의 이러한 점진적인 조정은 확립된 Yi-6B 기본 모델 구성과 정렬하여 다른 모든 매개변수를 유지하는 것과 함께 규모에서 훈련의 문제를 해결하는 데 중요한 역할을 했다.

than only storing information redundantly in its parameters. Future work could strengthen such paths of traversal, ultimately leading to more parameter-efficient and controllable models. Conversely, a lack of evidence would indicate more fundamental limitations of the Transformer architecture or training. It would also have critical implications for model editing: if complex facts are recalled instead of inferred, editing only base facts will never be enough since the changes cannot propagate (Onoe et al., 2023; Zhong et al., 2023; Cohen et al., 2023).

정보만 매개 변수에 중복으로 저장하는 것보다요. 향후 작업은 이러한 횡단 경로를 강화하여 궁극적으로 더 매개변수 효율적이고 제어 가능한 모델로 이어질 수 있다. 반대로, 증거의 부족은 트랜스포머 아키텍처 또는 훈련의 보다 근본적인 한계를 나타낼 것이다. 또한 모델 편집에 중요한 의미를 가질 것이다: 추론 대신 복잡한 사실이 리콜되면 변경 사항이 전파될 수 없기 때문에 기본 사실만 편집하는 것으로는 충분하지 않을 것이다(Onoe et al., 2023; Zhong et al., 2023; Cohen et al., 2023).

Little is publicly known about the inner workings of today's most popular large language models, such as GPT-4, Claude 2, or Gemini. The GPT-4 technical report states it "contains no [...] details about the architecture (including model size), hardware, training compute, dataset construction, training method, or similar" (OpenAI et al., 2023). Similarly, the PaLM-2 paper states that "details of [the] model size and architecture are withheld from external publication" (Anil et al., 2023). This secrecy is often ascribed to "the competitive landscape" (because these models are expensive to train) and the "safety implications of large-scale models" (OpenAI et al., 2023) (because it is easier to attack models when more information is available). Nevertheless, while these models' weights and internal details are not publicly accessible, the models themselves are exposed via APIs.

GPT-4, Claude 2 또는 Gemini와 같은 오늘날 가장 인기 있는 대형 언어 모델의 내부 작동에 대해서는 공개적으로 알려져 있는 바가 거의 없다. GPT-4 기술 보고서는 "아키텍처(모델 크기 포함), 하드웨어, 트레이닝 컴퓨트, 데이터세트 구성, 트레이닝 방법, 또는 이와 유사한 것에 대한 어떠한 [...] 세부사항도 포함하지 않는다"(OpenAI 등, 2023). 유사하게, PaLM-2 논문은 "[the] 모델 크기 및 아키텍처의 세부사항들은 외부 출판으로부터 보류된다"(Anil et al., 2023). 이러한 비밀성은 종종 "경쟁 구도"(이러한 모델은 훈련하는 데 비용이 많이 들기 때문)와 "대규모 모델의 안전 영향"(OpenAI 등, 2023)에 기인한다(더 많은 정보가 이용 가능할 때 모델을 공격하는 것이 더 쉽기 때문이다). 그럼에도 불구하고 이러한 모델의 가중치와 내부 세부 정보는 공개적으로 액세스할 수 없지만 모델 자체는 API를 통해 노출된다.