Datasets:

Translation-EnKo

/

nlp-arxiv-translation-dpo-chat

like 0

* 트림 평균의 경우, 입력 예측에 균일한 가중치를 할당하고, 중앙값에서 가장 멀리 떨어진 예측의 가중치를 절반으로 줄이고, 나머지 절반의 가중치를 다른 예측에 균일하게 재분배한 다음, 최종적으로 가중 평균을 출력합니다. 이는 표준적인 트림 평균 구현 방식이 아니며, 저희 시스템에서 소수(예: 6개)의 예측만 집계하기 때문에 이런 방식으로 설정되어 있습니다. * USC의 경우, (외부) 추론-예측 쌍을 최종 LM에 제시한 다음, 이를 통해 집계된 예측을 형성하도록 프롬프트합니다. 이 hyperparameter sweep에서는 GPT-4-1106-Preview를 집계기 모델로 사용합니다.[|endofturn|]

* 트림 평균의 경우, 입력 예측에 균일한 가중치를 할당하고, 중앙값에서 가장 멀리 떨어진 예측의 가중치를 절반으로 줄이고, 나머지 절반의 가중치를 다른 예측에 균일하게 재분배한 다음, 최종적으로 가중 평균을 출력합니다. 이는 표준적인 트림 평균 구현 방식이 아니며, 저희 시스템에서 소수(예: 6개)의 예측만 집계하기 때문에 이런 방식으로 설정되어 있습니다. * USC의 경우, (외부) 추론-예측 쌍을 최종 LM에 제시한 다음, 이를 통해 집계된 예측을 형성하도록 프롬프트합니다. 이 하이퍼파라미터 스윕에서는 GPT-4-1106-Preview를 집계기 모델로 사용합니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]* For the trimmed mean, we assign uniform weights over the input forecasts, reduce the weight of the forecast furthest from the median by half, redistribute the half weight uniformly to the other forecasts, and finally output the weighted average. We remark that this is not a standard implementation of trimmed mean, and it is set this way since we only aggregate a small number (i.e., 6) of forecasts in our system. * For USC, we present the (external) reasoning-prediction pairs to a final LM, which is then prompted to form an aggregated forecast. In this hyperparameter sweep, we use GPT-4-1106-Preview as the aggregator model. [|assistant|]

**Instruction Datasets.** 섹션 5.1.1의 논의에 따르면, 우리는 주로 다음과 같은 세 가지 일반적인 종류의 instructions를 고려합니다:[|endofturn|]

**명령어 데이터 세트**. 섹션 5.1.1의 논의에 따르면, 우리는 주로 다음과 같은 세 가지 일반적인 종류의 명령어를 고려합니다:[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]**Instruction Datasets.** According to the discussion in Section 5.1.1, we mainly consider three common kinds of instructions as follows: [|assistant|]

\(\bullet\)_Alpaca_[142]는 개방형 생성을 위해 top-\(k\) (\(k=50\)), top-\(p\) (\(p=0.9\)), 온도 0.7의 sampling 기반 전략을 활용합니다.[|endofturn|]

\(\bullet\)_알파카_[142]는 개방형 생성을 위해 상위-\(k\) (\(k=50\)), 상위-\(p\) (\(p=0.9\)), 온도 0.7의 샘플링 기반 전략을 활용합니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]\(\bullet\)_Alpaca_[142] utilizes sampling-based strategies with top-\(k\) (\(k=50\)), top-\(p\) (\(p=0.9\)), and temperature of 0.7 for open-ended generation. [|assistant|]

그림 3은 문제에 산만한 규칙이 포함되지 않은 ground truth 증명에 포함된 관련 규칙의 수가 다른 결과를 제시하며, shuffled accuracy는 다음과 같은 결과를 제시한다.[|endofturn|]

그림 3은 문제에 산만한 규칙이 포함되지 않은 그라운드 트루프 증명에 포함된 관련 규칙의 수가 다른 결과를 제시하며, 셔플 정확도는 다음과 같은 결과를 제시한다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Figure 3 presents the results with different numbers of relevant rules included in ground truth proofs, where the problem does not contain distracting rules, and the shuffled accuracy is the aggregation of [|assistant|]

이 백서에서는 _더 많은 에이전트가 필요하다_는 것을 보고합니다. 즉, 복잡한 방법(예: CoT 파이프라인, multi-agent collaboration frameworks 등)에 신경 쓰지 않고도 인스턴스화된 LLM 에이전트를 더 추가하는 것만으로도 복잡한 작업을 처리할 때 더 나은 LLM 성능을 얻을 수 있다는 것을 보여줍니다. 저자들은 이러한 'scaling law'가 언제 적용되는지, 그리고 그 발생을 촉진하는 방법을 포함하여 이에 대한 첫 번째 포괄적인 연구를 수행했습니다.[|endofturn|]

이 백서에서는 _더 많은 에이전트가 필요하다_는 것을 보고합니다. 즉, 복잡한 방법(예: CoT 파이프라인, 다중 에이전트 협업 프레임워크 등)에 신경 쓰지 않고도 인스턴스화된 LLM 에이전트를 더 추가하는 것만으로도 복잡한 작업을 처리할 때 더 나은 LLM 성능을 얻을 수 있다는 것을 보여줍니다. 저자들은 이러한 '스케일링 법칙'이 언제 적용되는지, 그리고 그 발생을 촉진하는 방법을 포함하여 이에 대한 첫 번째 포괄적인 연구를 수행했습니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]In this paper, we report that _more agents is all you need_, i.e., simply adding more instantiated LLM agents is what you need to obtain a better LLM performance in processing complex tasks, without bothering complicated methods, such as CoT pipelines, multi-agent collaboration frameworks, etc. We have conducted the first comprehensive study in the literature to understand such a "scaling law", including when it holds and how to facilitate its occurrence. [|assistant|]

1. **Zero-Shot CoT:** 이 형식은 LLM에게 "차근차근 생각하라"고 지시하여 문제를 해체하고 추론의 각 단계를 명확히 하도록 유도하는 것입니다. 2. **Manual CoT:** 더 복잡한 변형으로, 모델에 대한 템플릿으로 단계별 추론 예제를 제공해야 합니다. 더 효과적인 결과를 얻을 수 있지만 확장성과 유지 관리에 어려움이 있습니다.[|endofturn|]

1. **제로 샷 CoT:** 이 형식은 LLM에게 "차근차근 생각하라"고 지시하여 문제를 해체하고 추론의 각 단계를 명확히 하도록 유도하는 것입니다. 2. **수동 CoT:** 더 복잡한 변형으로, 모델에 대한 템플릿으로 단계별 추론 예제를 제공해야 합니다. 더 효과적인 결과를 얻을 수 있지만 확장성과 유지 관리에 어려움이 있습니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]1. **Zero-Shot CoT:** This form involves instructing the LLM to "think step by step", prompting it to deconstruct the problem and articulate each stage of reasoning. 2. **Manual CoT:** A more complex variant, it requires providing step-by-step reasoning examples as templates for the model. While yielding more effective results, it poses challenges in scalability and maintenance. [|assistant|]

각주 12: 전문가 annotator에게 C4 corpus 검색을 위해 [https://c4-search.apps.allenai.org/](https://c4-search.apps.allenai.org/)을 사용하도록 지시합니다.[|endofturn|]

각주 12: 전문가 주석가에게 C4 코퍼스 검색을 위해 [https://c4-search.apps.allenai.org/](https://c4-search.apps.allenai.org/)을 사용하도록 지시합니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Footnote 12: The expert annotators are instructed to use [https://c4-search.apps.allenai.org/](https://c4-search.apps.allenai.org/) for searching through the C4 corpus. [|assistant|]

# 출력 1. [label=()] 2. 피크 용량 비율 \(R(F)\)가 일관되게 \(R(F)\geq 2\)를 초과합니다; 3. \(R^{\mathsf{max}}(F)\leq 1.8\)인 모델은 거의 완벽한 지식 정확도, 즉 \(R^{\mathsf{max}}(F)\approx R(F)\)를 달성합니다; 4. 모든 모델에 걸쳐 \(R(F)\leq 2.3\).[|endofturn|]

1. [label=()] 2. 피크 용량 비율 \(R(F)\)가 일관되게 \(R(F)\geq 2\)를 초과합니다; 3. R^{\mathsf{max}}(F)\leq 1.8\)인 모델은 거의 완벽한 지식 정확도, 즉 \(R^{\mathsf{max}}(F)\approx R(F)\)를 달성합니다; 4. 모든 모델에 걸쳐 \(R(F)\leq 2.3\).[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]1. [label=()] 2. the peak capacity ratio \(R(F)\) consistently exceeds \(R(F)\geq 2\); 3. models with \(R^{\mathsf{max}}(F)\leq 1.8\) attain near-perfect knowledge accuracies, i.e., \(R^{\mathsf{max}}(F)\approx R(F)\); 4. across all models, \(R(F)\leq 2.3\). [|assistant|]

양자화 손실을 줄이기 위해 weight calibration을 적용하기 위해 GPTQ(Frantar et al., 2022)를 채택합니다. 우리는 SFT 데이터와 유사한 분포에서 calibration 데이터를 샘플링합니다. Quantization objective는 양자화의 교란을 최소화하는 것입니다(\|\mathbf{W}\mathbf{X}-dequant(\hat{\mathbf{W}})\mathbf{X}\|_{2}^{2}\).[|endofturn|]

양자화 손실을 줄이기 위해 가중치 보정을 적용하기 위해 GPTQ(Frantar et al., 2022)를 채택합니다. 양자화 목표는 양자화의 교란을 최소화하는 것입니다(\|\mathbf{W}\mathbf{X}-dequant(\hat{\mathbf{W}})\mathbf{X}\|_{2}^{2}\).[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]To reduce the quantization loss, we adopt GPTQ (Frantar et al., 2022) to apply weight calibration. We sample calibration data \(\mathbf{X}\) from a similar distribution of SFT data. The quantization objective is to minimize the disturbance of the quantization \(\|\mathbf{W}\mathbf{X}-dequant(\hat{\mathbf{W}})\mathbf{X}\|_{2}^{2}\). [|assistant|]

결과가 OpenAI API로 학습된 GPT-3 모델에만 국한되지 않도록 Llama-7b를 사용하여 하이퍼파라미터 스윕을 수행하기도 합니다. 여기서는 Batch Size는 1, 4, 16, Learning Rate는 1e-06, 2e-06, 1e-05, 2e-05를 사용합니다. Optimizer로 Adam을 사용하고 메모리 효율성을 위해 DeepSpeed 레벨 3을 사용합니다. 전체 Fine-tuning을 수행하고 매개변수 효율적인 Fine-tuning 기법을 사용하지 않습니다. 결과는 그림 8에 나와 있습니다.[|endofturn|]

결과가 OpenAI API로 학습된 GPT-3 모델에만 국한되지 않도록 Llama-7b를 사용하여 하이퍼파라미터 스윕을 수행하기도 합니다. 여기서는 배치 크기는 1, 4, 16, 학습 속도는 1e-06, 2e-06, 1e-05, 2e-05를 사용합니다. 옵티마이저로 Adam을 사용하고 메모리 효율성을 위해 DeepSpeed 레벨 3을 사용합니다. 전체 미세 조정을 수행하고 매개변수 효율적인 미세 조정 기법을 사용하지 않습니다. 결과는 그림 8에 나와 있습니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]To ensure that our results are not specific to GPT-3 models trained with the OpenAI API, we also perform a hyperparameter sweep using Llama-7b. Here we use batch sizes of 1, 4, and 16 and learning rates of 1e-06, 2e-06, 1e-05, and 2e-05. We use Adam as our optimizer and DeepSpeed level 3 for memory efficiency. We perform full finetuning and do not use any parameter efficient finetuning techniques. The results are shown in Figure 8. [|assistant|]

알파카 모델은 LLaMA에 비해 상당한 개선을 보여줍니다. zero-shot 또는 5-shot과 같은 다양한 설정에서 알파카 모델 시리즈는 LLaMA 모델에 비해 상당한 개선을 보여주며, Instruction-following 모델이 순수 언어 모델보다 이러한 NLU와 유사한 작업을 더 잘 처리할 수 있음을 보여줍니다. LLaMA 시리즈에서 관찰된 현상과는 달리, 알파카 플러스 모델이 기본 알파카 모델보다 상당한 개선을 가져온다는 것을 알 수 있습니다. 이는 Instruction-following 모델이 NLU와 유사한 작업을 더 잘 처리할 수 있으며 더 많은 사전 학습 데이터(LLaMA-Plus)를 사용할 때 더 큰 힘을 발휘할 수 있음을 나타냅니다.[|endofturn|]

알파카 모델은 LLaMA에 비해 상당한 개선을 보여줍니다.제로 샷 또는 5 샷과 같은 다양한 설정에서 알파카 모델 시리즈는 LLaMA 모델에 비해 상당한 개선을 보여주며, 지시어 추종 모델이 순수 언어 모델보다 이러한 NLU와 유사한 작업을 더 잘 처리할 수 있음을 보여줍니다. LLaMA 시리즈에서 관찰된 현상과는 달리, 알파카 플러스 모델이 기본 알파카 모델보다 상당한 개선을 가져온다는 것을 알 수 있습니다. 이는 지시어 추종 모델이 NLU와 유사한 작업을 더 잘 처리할 수 있으며 더 많은 사전 학습 데이터(LLaMA-Plus)를 사용할 때 더 큰 힘을 발휘할 수 있음을 나타냅니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Alpaca models show significant improvements over LLaMA.Among different settings, such as zero-shot or 5-shot, the Alpaca model series show significant improvements over LLaMA counterparts, demonstrating that the instruction-following models are more capable of handling these NLU-like tasks than pure language models. Unlike the phenomenon observed in the LLaMA series, we can see that Alpaca-Plus models yield significant improvement over basic Alpaca models. This might further indicate that instruction-following models are more capable of handling NLU-like tasks and can unlesah the power of using more pre-training data (LLaMA-Plus). [|assistant|]

표 1과 같이 LM Evaluation Harness(Gao et al., 2023)에서 평가에 사용된 데이터 세트에서도 유사한 성능 포화 현상이 관찰된다.[|endofturn|]

표 1과 같이 LM 평가 하네스(Gao et al., 2023)에서 평가에 사용된 데이터 세트에서도 유사한 성능 포화 현상이 관찰된다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]A similar performance saturation is also observed on datasets used for evaluation in the LM Evaluation Harness (Gao et al., 2023), as shown in Table 1. [|assistant|]

OpenAI API를 통해 Learning Rate 배수 0.05, 0.1, 0.2, 0.4와 Batch Size 1, 2, 4, 8, 16의 하이퍼파라미터 스윕을 수행하기 위해 GPT-3-350M을 사용합니다.[|endofturn|]

OpenAI API를 통해 학습 속도 배수 0.05, 0.1, 0.2, 0.4와 배치 크기 1, 2, 4, 8, 16의 하이퍼파라미터 스윕을 수행하기 위해 GPT-3-350M을 사용합니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]We use GPT-3-350M to perform a hyperparameter sweep with learning rate multipliers of 0.05, 0.1, 0.2, and 0.4 and batch sizes of 1, 2, 4, 8, and 16 via the OpenAI API. [|assistant|]

# 출력 1. 불안정 안즈나 2. 급성 심근경색증 3. 안정 안즈나 4. 위식도 역류 질환(GERD) 5. 비정형 흉통 6. 연골염 7. 소화성 궤양성 질환 8. 담낭 질환(담관성 콜릭) 9.[|endofturn|]

1. 불안정 안즈나2. 급성 심근경색증3. 안정 안즈나4. 위식도 역류 질환(GERD)5. 비정형 흉통6. 연골염7. 소화성 궤양성 질환8. 담낭 질환(담관성 콜릭)9.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]1. Unstable Anjna 2. Acute Myocardial Infarction 3. Stable Anjna 4. Gastroesophageal Reflux Disease (GERD) 5. Atypical Chest Pain 6. Costochonditis 7. Peptic Ulicer Disease 8. Gallbladder Disease (biliary colic) 9. [|assistant|]

RAG 패러다임은 도메인 내에서 연구를 조직화하여 LLM 성능을 향상시키는 간단하면서도 강력한 프레임워크를 제공합니다. RAG의 핵심은 고품질 결과를 생성하는 데 중요한 검색 메커니즘입니다. 따라서 이 패러다임은 검색 관점에서 pre-retrieval, retrieval, post-retrieval, generation의 네 가지 주요 단계로 구분됩니다. 반복적인 검색-생성 주기를 포함하는 single-hop 및 multi-hop 검색 접근 방식은 이 4단계 구조를 따릅니다. 그림 3은 RAG의 핵심 기술의 분류 트리입니다.[|endofturn|]

RAG 패러다임은 도메인 내에서 연구를 조직화하여 LLM 성능을 향상시키는 간단하면서도 강력한 프레임워크를 제공합니다. RAG의 핵심은 고품질 결과를 생성하는 데 중요한 검색 메커니즘입니다. 따라서 이 패러다임은 검색 관점에서 사전 검색, 검색, 검색 후, 생성의 네 가지 주요 단계로 구분됩니다. 반복적인 검색-생성 주기를 포함하는 단일 홉 및 다중 홉 검색 접근 방식은 이 4단계 구조를 따릅니다. 그림 3은 RAG의 핵심 기술의 분류 트리입니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]The RAG paradigm organizes research within the domain, offering a straightforward yet robust framework to enhance LLM performance. Central to RAG is its search mechanism, crucial for generating high-quality outcomes. Therefore, this paradigm is structured into four main phases from a retrieval perspective: pre-retrieval, retrieval, post-retrieval, and generation. Both single-hop and multi-hop retrieval approaches, encompassing iterative retrieve-generate cycles, follow this four-phase structure. Figure 3 is the taxonomy tree of RAG's core techniques. [|assistant|]

* Tool Access 및 Utilization: 에이전트는 외부 도구와 서비스에 액세스하고 이러한 리소스를 효과적으로 활용하여 작업을 수행할 수 있습니다. * Decision Making: 입력, 컨텍스트 및 사용 가능한 도구를 기반으로 의사 결정을 내릴 수 있으며, 종종 복잡한 reasoning 프로세스를 사용합니다.[|endofturn|]

* 도구 액세스 및 활용: 에이전트는 외부 도구와 서비스에 액세스하고 이러한 리소스를 효과적으로 활용하여 작업을 수행할 수 있습니다. * 의사 결정: 입력, 컨텍스트 및 사용 가능한 도구를 기반으로 의사 결정을 내릴 수 있으며, 종종 복잡한 추론 프로세스를 사용합니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]* Tool Access and Utilization: Agents have the capability to access external tools and services, and to utilize these resources effectively to accomplish tasks. * Decision Making: They can make decisions based on the input, context, and the tools available to them, often employing complex reasoning processes. [|assistant|]

제너레이티브 AI 시스템은 전 세계의 다양한 사람, 그룹, 사회 및 환경에 영향을 미치는 다양한 방식으로 피해를 입힐 수 있는 잠재력을 가지고 있습니다[71]. 여기에는 신체적, 정서적, 재정적, 할당적, 평판적, 대표적, 심리적 피해가 포함됩니다[72, 16, 73]. 이러한 피해는 generative AI 시스템을 사용할 때[74], generative AI 시스템에서 제외될 때[75], generative AI 시스템에 의해 표현되거나 설명될 때[76, 77], 또는 generative AI 시스템에 의해 내려진 결정에 노출될 때[78] 발생할 수 있습니다. 피해를 평가할 때 고려해야 할 주요 사항으로는 피해가 유형적이거나 무형적인지 여부, 피해의 지속 시간이 단기인지 장기인지, 피해의 정도가 매우 심각한지 또는 덜 심각한지, 자신에게 가해지는지 또는 타인에게 가해지는지, 피해가 내면화되는지 또는 외부화되는지 여부 등이 있습니다[79, 71, 80, 81]. 피해 경험은 피해가 가해지는 맥락에 따라 형성되는 경우가 많으며 다양한 위험 요인에 의해 영향을 받을 수 있습니다. 사용자의 배경, 생활 경험, 성격, 과거 행동과 같은 측면은 모두 피해 경험 여부에 영향을 미칠 수 있습니다[82, 83, 84, 85].[|endofturn|]

제너레이티브 AI 시스템은 전 세계의 다양한 사람, 그룹, 사회 및 환경에 영향을 미치는 다양한 방식으로 피해를 입힐 수 있는 잠재력을 가지고 있습니다[71]. 여기에는 신체적, 정서적, 재정적, 할당적, 평판적, 대표적, 심리적 피해가 포함됩니다[72, 16, 73]. 이러한 피해는 제너레이티브 AI 시스템을 사용할 때[74], 제너레이티브 AI 시스템에서 제외될 때[75], 제너레이티브 AI 시스템에 의해 표현되거나 설명될 때[76, 77], 또는 제너레이티브 AI 시스템에 의해 내려진 결정에 노출될 때[78] 발생할 수 있습니다. 피해를 평가할 때 고려해야 할 주요 사항으로는 피해가 유형적이거나 무형적인지 여부, 피해의 지속 시간이 단기인지 장기인지, 피해의 정도가 매우 심각한지 또는 덜 심각한지, 자신에게 가해지는지 또는 타인에게 가해지는지, 피해가 내면화되는지 또는 외부화되는지 여부 등이 있습니다[79, 71, 80, 81]. 피해 경험은 피해가 가해지는 맥락에 따라 형성되는 경우가 많으며 다양한 위험 요인에 의해 영향을 받을 수 있습니다. 사용자의 배경, 생활 경험, 성격, 과거 행동과 같은 측면은 모두 피해 경험 여부에 영향을 미칠 수 있습니다[82, 83, 84, 85].[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Generative AI systems have the potential to cause harm in myriad ways, affecting different people, groups, societies and environments across the globe [71]. This includes physical, emotional, financial, allocative, reputational, representational, and psychological harms [72, 16, 73]. Such harms can be caused by using generative AI systems [74], being excluded from them [75], being represented or described by them [76, 77], or being subjected to decisions made by them [78]. Key considerations when assessing harm include whether the harm is tangible or intangible, short- or long-term in duration, highly severe or less severe in nature, inflicted on oneself or on others, or internalized or externalized in its expression [79, 71, 80, 81]. Experiences of harm are often shaped by the context in which the harm is inflicted and can be affected by a range of risk factors. Aspects like the users' background, life experiences, personality, and past behavior can all impact whether they experience harm [82, 83, 84, 85]. [|assistant|]

각주 24: Model parallelism[75]는 tensor parallelism과 pipeline parallelism을 포함하는 보다 광범위한 용어입니다.[|endofturn|]

각주 24: 모델 병렬 처리[75]는 텐서 병렬 처리와 파이프라인 병렬 처리를 포함하는 보다 광범위한 용어입니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Footnote 24: Model parallelism is a more broader term that includes tensor parallelism and pipeline parallelism in some work [75]. [|assistant|]

추가 BC 정규화기를 추가하여 DPO Loss \(\mathcal{L}_{\text{DPO}}=\mathcal{L}(\pi_{\theta},\pi_{\text{ref}})\)도 활용할 수 있다:[|endofturn|]

추가 BC 정규화기를 추가하여 DPO 손실 \(\mathcal{L}_{\text{DPO}}=\mathcal{L}(\pi_{\theta},\pi_{\text{ref}})\)도 활용할 수 있다:[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]The DPO loss \(\mathcal{L}_{\text{DPO}}=\mathcal{L}(\pi_{\theta},\pi_{\text{ref}})\) can also be utilized by adding our additional BC regularizer: [|assistant|]

# 출력 여기서 \(x_{i}\)는 문맥 \(\mathbf{x}_{<i}\)에 조건을 붙인 생성의 \(i\)-번째 단계에서 가장 높은 확률을 갖는 token입니다. 예를 들어 그림 10에서 _"나는 졸린다. 나는 냄비를 시작한다."_ 문장의 다음 token을 예측할 때 greedy search는 현재 단계에서 가장 높은 확률을 갖는 token "coffee"를 선택합니다. Greedy search는 출력이 입력에 크게 의존하는 텍스트 생성 작업(_예:_ machine translation 및 텍스트 요약)에서 만족스러운 결과를 얻을 수 있습니다[307]. 그러나 개방형 생성 작업(_예:_ 스토리 생성 및 대화)의 경우 greedy search는 때때로 어색하고 반복적인 문장을 생성하는 경향이 있습니다[308].[|endofturn|]

여기서 \(x_{i}\)는 문맥 \mathbf{x}_{<i}\)에 조건을 붙인 생성의 \(i\)-번째 단계에서 가장 높은 확률을 갖는 토큰입니다. 예를 들어 그림 10에서 _"나는 졸린다. 나는 냄비를 시작한다."_ 문장의 다음 토큰을 예측할 때 욕심 많은 검색은 현재 단계에서 가장 높은 확률을 갖는 토큰 "coffee"를 선택합니다. 욕심 많은 검색은 출력이 입력에 크게 의존하는 텍스트 생성 작업(_예:_ 기계 번역 및 텍스트 요약)에서 만족스러운 결과를 얻을 수 있습니다[307]. 그러나 개방형 생성 작업(_예:_ 스토리 생성 및 대화)의 경우 욕심 많은 검색은 때때로 어색하고 반복적인 문장을 생성하는 경향이 있습니다[308].[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]where \(x_{i}\) is the token with the highest probability at \(i\)-th step of generation conditioned on the context \(\mathbf{x}_{<i}\). For instance in Figure 10, when predicting the next token of the sentence _"I am sleepy. I start a pot of"_, greedy search selects the token "coffee" which has the highest probability at the current step. Greedy search can achieve satisfactory results in text generation tasks (_e.g.,_ machine translation and text summarization), in which the output is highly dependent on the input [307]. However, in terms of open-ended generation tasks (_e.g.,_ story generation and dialog), greedy search sometimes tends to generate awkward and repetitive sentences [308]. [|assistant|]

주석 달기 목적채팅에 사용되는 다양한 AI 모델의 응답 2,000건에 주석을 달고 있습니다. 이는 AI 모델의 안전성 위험을 벤치마킹하기 위한 ML Commons의 AI 안전 노력에 대한 일환입니다. 저희의 활동에 대해 자세히 알아보시고 궁금한 점이 있으면 Bertie에게 문의해 주세요.[|endofturn|]

주석 달기 목적채팅에 사용되는 다양한 AI 모델의 응답 2,000건에 주석을 달고 있습니다. 이는 AI 모델의 안전성 위험을 벤치마킹하기 위한 ML 커먼즈의 AI 안전 노력에 대한 일환입니다. 저희의 활동에 대해 자세히 알아보시고 궁금한 점이 있으면 Bertie에게 문의해 주세요.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Purpose of annotationWe are annotating 2,000 responses from a range of AI models used for chat. This is part of the ML Commons' Working Group on AI Safety efforts to benchmark the safety risks of AI models. You can find out more about our work HERE, and reach out to Bertie if you have questions. [|assistant|]

6. \(f\)와 \(g\)의 또 다른 인스턴스가 있습니다. \(f\)는 홀수이므로 그 곱은 홀수 함수입니다. 따라서 식을 \(-[f(g(f(x)))]\)로 다시 쓸 수 있습니다.[|endofturn|]

6. f\)와 \(g\)의 또 다른 인스턴스가 있습니다. f\)는 홀수이므로 그 곱은 홀수 함수입니다. 따라서 식을 \(-[f(g(f(x)))]\)로 다시 쓸 수 있습니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]6. We have another instance of \(f\) and \(g\). Since \(f\) is odd, their product is an odd function. So, we can rewrite the expression as \(-[f(g(f(x)))]\). [|assistant|]

LLM은 사전 학습과 Instruction Tuning을 통해 언어 생성 및 지침 추종 기능을 습득합니다. 그러나 영어는 다양한 영역의 가장 풍부한 텍스트 데이터를 보유하고 있는 자연어 처리 분야에서 지배적인 위치를 차지하고 있습니다. 영어가 지배적인 코퍼라로 학습된 LLM은 다른 비영어 언어에 대해 열등한 성능을 보입니다. LLM을 비영어 언어로 확장하는 것은 매우 가치 있는 연구 과제입니다. 일반적인 외삽 접근 방식은 다음 세 단계로 구성됩니다: (1) 대상 언어의 토큰을 추가하여 어휘를 확장하고, 이를 통해 해당 언어에 대한 인코딩 표현력을 향상시킵니다. (2) LLM의 언어 생성 기능을 대상 언어로 전송하기 위해 추가 사전 학습을 수행합니다. 이 단계에 필요한 훈련 규모는 일반적으로 수십억 개의 토큰 수준으로, 처음부터 훈련하는 데 필요한 수조 개의 토큰보다 훨씬 적습니다. (3) 대상 언어로 SFT를 수행하여 LLM의 지침 추종 기능을 전송합니다.[|endofturn|]

LLM은 사전 학습과 지침 튜닝을 통해 언어 생성 및 지침 추종 기능을 습득합니다. 그러나 영어는 다양한 영역의 가장 풍부한 텍스트 데이터를 보유하고 있는 자연어 처리 분야에서 지배적인 위치를 차지하고 있습니다. 영어가 지배적인 코퍼라로 학습된 LLM은 다른 비영어 언어에 대해 열등한 성능을 보입니다. LLM을 비영어 언어로 확장하는 것은 매우 가치 있는 연구 과제입니다. 일반적인 외삽 접근 방식은 다음 세 단계로 구성됩니다: (1) 대상 언어의 토큰을 추가하여 어휘를 확장하고, 이를 통해 해당 언어에 대한 인코딩 표현력을 향상시킵니다. (2) LLM의 언어 생성 기능을 대상 언어로 전송하기 위해 추가 사전 학습을 수행합니다. 이 단계에 필요한 훈련 규모는 일반적으로 수십억 개의 토큰 수준으로, 처음부터 훈련하는 데 필요한 수조 개의 토큰보다 훨씬 적습니다. (3) 대상 언어로 SFT를 수행하여 LLM의 지침 추종 기능을 전송합니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]LLMs acquire language generation and instruction-following capabilities through pretraining and instruction tuning. However, English holds a dominant position in the field of natural language processing, possessing the most abundant collection of text data from various domains. LLMs trained on English-dominant corpora exhibit inferior performance on other non-English languages. Extrapolating LLMs to non-English languages poses a highly valuable research challenge. Common extrapolation approaches consist of the following three steps: (1) extending the vocabulary to add tokens of the target language, and thus enhancing encoding expressiveness to that language. (2) further pretraining to transfer language generation capabilities of LLMs to the target language. The required training scale for this step is generally on the order of billions of tokens, significantly less than the trillions of tokens needed for training from scratch. (3) conducting SFT in the target language to transfer instruction-following capabilities of LLMs. [|assistant|]

중요성에도 불구하고 LM의 매개변수에 저장된 내부 세계 지식을 갱신하는 과제는 간단하지 않으며, 다소 특정한 설정에서만 연구되고 있습니다. 예를 들어, 최근 연구에서는 개별 사실과 같은 특정 대상 지식을 수정할 것을 제안했습니다(De Cao et al., 2021; Zhu et al., 2020; Dai et al., 2021). Dhingra et al. (2021)은 타임스탬프가 있는 텍스트를 공동으로 모델링하여 LM을 시간적 지식 기반으로 다루었습니다. 그러나 새로운 지식이 포함된 말뭉치에 대한 지속적인 pretraining을 통해 보다 일반적이고 확장 가능한 방식으로 LM의 세계 지식을 갱신하는 문제는 이전 연구에서 공식적으로 공식화되거나 탐구되지 않았습니다. 또한, 새로운 정보에 대한 훈련을 통해 LM의 내부 지식이 어떻게 변화하는지 체계적으로 연구하는 데 사용할 수 있는 벤치마크가 부족합니다. 마지막으로, 규모가 큰 LM의 지식을 효과적으로 갱신하는 방법론은 아직 철저히 탐구되지 않았습니다.[|endofturn|]

중요성에도 불구하고 LM의 매개변수에 저장된 내부 세계 지식을 갱신하는 과제는 간단하지 않으며, 다소 특정한 설정에서만 연구되고 있습니다. 예를 들어, 최근 연구에서는 개별 사실과 같은 특정 대상 지식을 수정할 것을 제안했습니다(De Cao et al., 2021; Zhu et al., 2020; Dai et al., 2021). Dhingra et al. (2021)은 타임스탬프가 있는 텍스트를 공동으로 모델링하여 LM을 시간적 지식 기반으로 다루었습니다. 그러나 새로운 지식이 포함된 말뭉치에 대한 지속적인 전처리를 통해 보다 일반적이고 확장 가능한 방식으로 LM의 세계 지식을 갱신하는 문제는 이전 연구에서 공식적으로 공식화되거나 탐구되지 않았습니다. 또한, 새로운 정보에 대한 훈련을 통해 LM의 내부 지식이 어떻게 변화하는지 체계적으로 연구하는 데 사용할 수 있는 벤치마크가 부족합니다. 마지막으로, 규모가 큰 LM의 지식을 효과적으로 갱신하는 방법론은 아직 철저히 탐구되지 않았습니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Despite its importance, the challenge of renewing the internal world knowledge stored in the parameters of LMs is nontrivial and has only been explored in rather specific settings. For example, recent works have proposed to modify specific target knowledge such as individual facts (De Cao et al., 2021; Zhu et al., 2020; Dai et al., 2021). Dhingra et al. (2021) have addressed LMs as temporal knowledge bases by jointly modeling text with its timestamp. But the problem of renewing the world knowledge of LMs in a more general and scalable way, such as through continual pretraining on a corpus with new knowledge, has not been formally formulated or explored by previous works. Moreover, the community lacks a benchmark that can be used to systematically study how the internal knowledge of LMs changes through the training on new information. Lastly, methodologies to effectively renew the knowledge of LMs at scale have yet to be thoroughly explored. [|assistant|]

모델 출력의 품질을 평가하기 위해 다음 prompt를 GPT-4에 benchmark로 사용합니다. 이 prompt를 대상 언어에 맞게 번역하고 {대상 언어}를 적절히 조정하여 대상 언어에 맞게 조정한다는 점에 유의합니다.[|endofturn|]

모델 출력의 품질을 평가하기 위해 다음 프롬프트를 GPT-4에 벤치마크로 사용합니다. 이 프롬프트를 대상 언어에 맞게 번역하고 {대상 언어}를 적절히 조정하여 대상 언어에 맞게 조정한다는 점에 유의합니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]To assess the quality of the model's output, we use the following prompt to GPT-4 as a benchmark. We note that we adapt this prompt to the target language by translating it and adjusting the {target language} accordingly. [|assistant|]

LayerNorm 연산은 중심 연산 \(x\mapsto x-\bar{x}\)와 RMSNorm(즉, 먼저 중심을 적용한 다음 RMSNorm)의 구성입니다. 따라서 부록 C.4와 동일한 인수가 적용되며, 중심 연산과 통근하는 \(\mathbf{U}\)가 필요하다는 사실 외에는 부록 C.4와 동일한 인수가 적용됩니다. 중심 연산은 \(\mathbf{1}^{T}x=0\)으로 정의되는 \((h-1)\) 차원의 부분 공간을 수정하므로, \(\mathbf{U}\,\mathbf{1}\in\{-\mathbf{1},\mathbf{1}\}\}\)라는 추가 조건을 부과하면 충분합니다.[|endofturn|]

LayerNorm 연산은 중심 연산 \(x\mapsto x-\bar{x}\)와 RMSNorm(즉, 먼저 중심을 적용한 다음 RMSNorm)의 구성입니다. 따라서 부록 C.4와 동일한 인수가 적용되며, 중심 연산과 통근하는 \(\mathbf{U}\)가 필요하다는 사실 외에는 부록 C.4와 동일한 인수가 적용됩니다. 중심 연산은 \(\mathbf{1}^{T}x=0\)으로 정의되는 \((h-1)\) 차원의 부분 공간을 수정하므로, \(\mathbf{U}\,\mathbf{1}\in\{-\mathbf{1},\mathbf{1}\}\)라는 추가 조건을 부과하면 충분합니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]The LayerNorm operation is the composition of a centering operation \(x\mapsto x-\bar{x}\) with RMSNorm (i.e. first centering is applied, then RMSNorm). Therefore the identical argument to Appendix C.4 goes through, besides the fact that we need \(\mathbf{U}\) to also commute with the centering operation. Since the centering operation fixes a \((h-1)\) dimensional subspace defined by \(\mathbf{1}^{T}x=0\) where \(\mathbf{1}\in\mathds{R}^{h}\) is the vector of ones, it is enough to impose an additional condition that \(\mathbf{U}\,\mathbf{1}\in\{-\mathbf{1},\mathbf{1}\}\). [|assistant|]

결과는 표 10에 나와 있습니다. 우리 모델은 국가와 국적이 특히 성공적인 반면, 개별 날짜와 연도는 일반적으로 반전 과정에서 손실되는 등 일부 개인 엔티티를 재구성하는 데 훨씬 더 뛰어납니다. 향후 작업에서는 Instructions-2M에 프롬프트에 개인 정보가 좁은 분포로만 포함되어 있기 때문에 더 나은 성능을 위해 더 광범위한 훈련 데이터를 고려할 수 있습니다.[|endofturn|]

결과는 표 10에 나와 있습니다. 우리 모델은 국가와 국적이 특히 성공적인 반면, 개별 날짜와 연도는 일반적으로 반전 과정에서 손실되는 등 일부 개인 엔티티를 재구성하는 데 훨씬 더 뛰어납니다. 향후 작업에서는 지침-2M에 프롬프트에 개인 정보가 좁은 분포로만 포함되어 있기 때문에 더 나은 성능을 위해 더 광범위한 훈련 데이터를 고려할 수 있습니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Results are displayed in Table 10. Our models are far better at reconstructing some private entities than others: countries and nationalities are particularly successful, while individual dates and years are typically lost during the inversion process. Future work might consider more wide-ranging training data for better performance, since Instructions-2M includes only a narrow distribution of personal information in its prompts. [|assistant|]

유효성 검사 Loss 비교그림 4의 결과(위쪽과 아래쪽)는 각각의 \(\mathcal{D}_{1}\) 데이터 세트에 대한 지속적인 사전 학습 중에 유효성 검사 Loss의 진화를 보여줍니다. 표 2는 이러한 각 모델에 대한 최종 유효성 검사 Loss의 평균을 보고합니다. 최종 Loss는 10회 간격으로 샘플링된 마지막 100회 훈련 반복에 대해 평균화됩니다. 두 분포 이동 모두에서 테스트된 가장 낮은 리플레이인 1%도 리플레이를 하지 않은 baseline보다 Pile에서 잊어버림을 상당히 줄여주는 것을 일관되게 관찰할 수 있습니다. 이 효과는 이 설정에서 더 많은 양의 잊어버림이 발생하기 때문에 강한 시프트 시나리오에서 더 두드러집니다. 0% 기준과 비교할 때 1%, 5%, 10% 리플레이의 경우 다운스트림 성능에 거의 영향을 미치지 않아 리플레이의 잊어버림 이점이 우리 설정에서 거의 대가를 치르지 않음을 알 수 있습니다. 그러나 극단적인 양의 리플레이(50%)를 사용할 경우 모델이 \(\mathcal{D}_{0}\)에 덜 적응하는 것을 관찰할 수 있습니다. 흥미롭게도 두 데이터 세트 모두에서 50% 리플레이 모델은 \(\mathcal{D}_{1}\cup\(\mathcal{D}_{0}\)에 대한 baseline 훈련의 최종 평균 유효성 검사 성능을 달성하거나 초과합니다. 이는 이 모델이 각 기준보다 150B와 100B의 토큰을 더 적게 보았기 때문에 신기한 일입니다.[|endofturn|]

유효성 검사 손실 비교그림 4의 결과(위쪽과 아래쪽)는 각각의 \(\mathcal{D}_{1}\) 데이터 세트에 대한 지속적인 사전 학습 중에 유효성 검사 손실의 진화를 보여줍니다. 표 2는 이러한 각 모델에 대한 최종 유효성 검사 손실의 평균을 보고합니다. 최종 손실은 10회 간격으로 샘플링된 마지막 100회 훈련 반복에 대해 평균화됩니다. 두 분포 이동 모두에서 테스트된 가장 낮은 리플레이인 1%도 리플레이를 하지 않은 기본선보다 Pile에서 잊어버림을 상당히 줄여주는 것을 일관되게 관찰할 수 있습니다. 이 효과는 이 설정에서 더 많은 양의 잊어버림이 발생하기 때문에 강한 시프트 시나리오에서 더 두드러집니다. 0% 기준과 비교할 때 1%, 5%, 10% 리플레이의 경우 다운스트림 성능에 거의 영향을 미치지 않아 리플레이의 잊어버림 이점이 우리 설정에서 거의 대가를 치르지 않음을 알 수 있습니다. 그러나 극단적인 양의 리플레이(50%)를 사용할 경우 모델이 \(\mathcal{D}_{0}\)에 덜 적응하는 것을 관찰할 수 있습니다. 흥미롭게도 두 데이터 세트 모두에서 50% 리플레이 모델은 \(\mathcal{D}_{1}\cup\mathcal{D}_{0}\)에 대한 기본 훈련의 최종 평균 유효성 검사 성능을 달성하거나 초과합니다. 이는 이 모델이 각 기준보다 150B와 100B의 토큰을 더 적게 보았기 때문에 신기한 일입니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Validation Loss ComparisonThe results in Fig. 4 (top and bottom) show the evolution of the validation loss during continual pre-training on the respective \(\mathcal{D}_{1}\) datasets. Table 2 reports the average final validation loss for each of these models. The final loss is averaged over the last 100 iterations of training sampled at intervals of 10 iterations. We consistently observe across both distribution shifts that even the lowest tested replay of 1% significantly reduces forgetting on Pile compared to the no-replay baselines. This effect is more pronounced in the strong-shift scenario due to the larger amount of forgetting in this setting. We observe little impact on downstream performance for 1%,5%, and 10% replay when compared to the 0% baseline, showing that the forgetting benefits of replay come at little cost in our setting. However, when using an extreme amount of replay (50%), we observe that the model adapts less to \(\mathcal{D}_{0}\). Interestingly, for both datasets, the 50% replay models attain or surpass the final average validation performance of the baseline training on \(\mathcal{D}_{1}\cup\mathcal{D}_{0}\). This is curious as these model have seen 150B and 100B fewer tokens of \(\mathcal{D}_{1}\) than their respective baselines. [|assistant|]

모든 머신 러닝 애플리케이션에서와 마찬가지로 hyperparameter의 선택은 결과에 큰 영향을 미칩니다. 따라서 특정 사례에 맞게 모든 관련 hyperparameter를 최적화하는 것이 좋습니다.[|endofturn|]

모든 머신 러닝 애플리케이션에서와 마찬가지로 하이퍼파라미터의 선택은 결과에 큰 영향을 미칩니다. 따라서 특정 사례에 맞게 모든 관련 하이퍼파라미터를 최적화하는 것이 좋습니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]As in all machine learning applications, the choice of hyperparameters significantly impacts the results. We therefore strongly recommend optimizing all relevant hyperparameters for specific cases. [|assistant|]

MMLU 및 체스 데이터 세트에서와 같이 일반적인 추론 작업의 경우, 샘플링 단계에서 Algorithm 1에 따라 sampling-and-voting 방법을 적용합니다. 샘플은 "(X" 또는 "(X)" 패턴을 일치시켜 추출되며, 여기서 "X"는 MMLU 작업의 옵션 A, B, C 또는 D 및 체스 작업의 체스판 위치에 해당합니다.[|endofturn|]

MMLU 및 체스 데이터 세트에서와 같이 일반적인 추론 작업의 경우, 샘플링 단계에서 알고리즘 1에 따라 샘플링 및 투표 방법을 적용합니다. 샘플은 "(X" 또는 "(X)" 패턴을 일치시켜 추출되며, 여기서 "X"는 MMLU 작업의 옵션 A, B, C 또는 D 및 체스 작업의 체스판 위치에 해당합니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]For general reasoning tasks, as encountered in the MMLU and Chess datasets, the sampling-and-voting method is applied following Algorithm 1 during the sampling phase. Samples are extracted by matching the pattern "(X" or "(X)", where "X" corresponds to the options A, B, C, or D in MMLU task and the chessboard position in Chess task. [|assistant|]

**Chinchilla:** [2]에서 Hoffmann 등은 주어진 compute budget 하에서 Transformer 언어 모델을 훈련하기 위한 최적의 모델 크기와 토큰 수를 조사했습니다. 7천만 개에서 160억 개 이상의 파라미터에 이르는 400개 이상의 언어 모델을 50억 개에서 5,000억 개 이상의 토큰에 대해 훈련한 결과, compute-optimal 훈련의 경우 모델 크기와 훈련 토큰 수를 동일하게 확장해야 한다는 사실을 발견했습니다. 즉, 모델 크기가 두 배로 늘어날 때마다 훈련 토큰 수도 두 배로 늘어나야 합니다. 이 가설을 테스트하기 위해 compute budget은 Gopher와 동일하지만 파라미터는 700억 개, 데이터는 4% 더 많은 예측 compute-optimal 모델인 Chinchilla를 훈련했습니다.[|endofturn|]

**친칠라:** [2]에서 호프만 등은 주어진 컴퓨팅 예산 하에서 트랜스포머 언어 모델을 훈련하기 위한 최적의 모델 크기와 토큰 수를 조사했습니다. 7천만 개에서 160억 개 이상의 파라미터에 이르는 400개 이상의 언어 모델을 50억 개에서 5,000억 개 이상의 토큰에 대해 훈련한 결과, 컴퓨팅 최적화 훈련의 경우 모델 크기와 훈련 토큰 수를 동일하게 확장해야 한다는 사실을 발견했습니다. 즉, 모델 크기가 두 배로 늘어날 때마다 훈련 토큰 수도 두 배로 늘어나야 합니다. 이 가설을 테스트하기 위해 컴퓨팅 예산은 고퍼와 동일하지만 파라미터는 700억 개, 데이터는 4% 더 많은 예측 컴퓨팅 최적 모델인 친칠라를 훈련했습니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]**Chinchilla:** In [2], Hoffmann et al. investigated the optimal model size and number of tokens for training a transformer language model under a given compute budget. By training over 400 language models ranging from 70 million to over 16 billion parameters on 5 to 500 billion tokens, they found that for compute-optimal training, the model size and the number of training tokens should be scaled equally: for every doubling of model size the number of training tokens should also be doubled. They tested this hypothesis by training a predicted compute-optimal model, Chinchilla, that uses the same compute budget as Gopher but with 70B parameters and 4% more more data. [|assistant|]

언어 모델은 다음 토큰에 대한 분포를 생성합니다. 이를 사용하여 프롬프트 토큰을 복구할 수 있을까요? 언어 모델 inversion 문제를 고려하고 다음 토큰 확률에 이전 텍스트에 대한 놀라운 양의 정보가 포함되어 있음을 보여줍니다. 종종 사용자에게 숨겨져 있는 경우에도 텍스트를 복구할 수 있으며, 이는 모델의 현재 분포 출력만 주어졌을 때 알 수 없는 프롬프트를 복구하는 방법을 동기화합니다. 다양한 모델 액세스 시나리오를 고려하고 어휘의 모든 토큰에 대한 예측이 없더라도 검색을 통해 확률 벡터를 복구할 수 있는 방법을 보여줍니다.[|endofturn|]

언어 모델은 다음 토큰에 대한 분포를 생성합니다. 이를 사용하여 프롬프트 토큰을 복구할 수 있을까요? 언어 모델 반전 문제를 고려하고 다음 토큰 확률에 이전 텍스트에 대한 놀라운 양의 정보가 포함되어 있음을 보여줍니다. 종종 사용자에게 숨겨져 있는 경우에도 텍스트를 복구할 수 있으며, 이는 모델의 현재 분포 출력만 주어졌을 때 알 수 없는 프롬프트를 복구하는 방법을 동기화합니다. 다양한 모델 액세스 시나리오를 고려하고 어휘의 모든 토큰에 대한 예측이 없더라도 검색을 통해 확률 벡터를 복구할 수 있는 방법을 보여줍니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Language models produce a distribution over the next token; can we use this to recover the prompt tokens? We consider the problem of language model inversion and show that next-token probabilities contain a surprising amount of information about the preceding text. Often we can recover the text in cases where it is hidden from the user, motivating a method for recovering unknown prompts given only the model's current distribution output. We consider a variety of model access scenarios, and show how even without predictions for every token in the vocabulary we can recover the probability vector through search. [|assistant|]

대규모 언어 모델(LLM) 기반 지능형 에이전트의 통합 및 배포에는 효율성과 효과성을 저해하는 여러 가지 문제가 수반되어 왔습니다. 이러한 문제 중에는 LLM에 대한 에이전트 요청의 최적이 아닌 스케줄링 및 리소스 할당, 에이전트와 LLM 간의 상호 작용 중 컨텍스트 유지의 어려움, 다양한 기능과 전문성을 가진 이기종 에이전트를 통합하는 데 내재된 복잡성 등이 있습니다. 에이전트의 수와 복잡성이 급격히 증가하면서 이러한 문제가 더욱 악화되어 병목 현상과 리소스의 최적 활용이 저해되는 경우가 많습니다. 이러한 과제에서 영감을 받아 이 백서에서는 LLM 에이전트 운영 체제인 AIOS를 소개하는데, 이는 운영 체제(OS)에 Large Language Model을 내장하여 OS의 두뇌 역할을 수행함으로써 AGI를 향한 중요한 단계인 '영혼을 가진' 운영 체제를 구현할 수 있게 해줍니다. 특히 AIOS는 리소스 할당을 최적화하고, 에이전트 간에 컨텍스트 전환을 촉진하고, 에이전트의 동시 실행을 가능하게 하고, 에이전트를 위한 도구 서비스를 제공하고, 에이전트에 대한 액세스 제어를 유지하도록 설계되었습니다. 이 백서에서는 이러한 운영 체제의 아키텍처를 제시하고, 해결하고자 하는 핵심 과제를 개괄적으로 설명하며, AIOS의 기본 설계 및 구현을 제공합니다. 여러 에이전트의 동시 실행에 대한 실험을 통해 AIOS 모듈의 안정성과 효율성을 입증했습니다. 이를 통해 LLM 에이전트의 성능과 효율성을 개선할 뿐만 아니라 향후 AIOS 에코시스템의 더 나은 개발과 배포를 개척하는 것을 목표로 합니다. 이 프로젝트는 [https://github.com/agiresearch/AIOS](https://github.com/agiresearch/AIOS)에서 오픈 소스로 제공됩니다.[|endofturn|]

대규모 언어 모델(LLM) 기반 지능형 에이전트의 통합 및 배포에는 효율성과 효과성을 저해하는 여러 가지 문제가 수반되어 왔습니다. 이러한 문제 중에는 LLM에 대한 에이전트 요청의 최적이 아닌 스케줄링 및 리소스 할당, 에이전트와 LLM 간의 상호 작용 중 컨텍스트 유지의 어려움, 다양한 기능과 전문성을 가진 이기종 에이전트를 통합하는 데 내재된 복잡성 등이 있습니다. 에이전트의 수와 복잡성이 급격히 증가하면서 이러한 문제가 더욱 악화되어 병목 현상과 리소스의 최적 활용이 저해되는 경우가 많습니다. 이러한 과제에서 영감을 받아 이 백서에서는 LLM 에이전트 운영 체제인 AIOS를 소개하는데, 이는 운영 체제(OS)에 대규모 언어 모델을 내장하여 OS의 두뇌 역할을 수행함으로써 AGI를 향한 중요한 단계인 '영혼을 가진' 운영 체제를 구현할 수 있게 해줍니다. 특히 AIOS는 리소스 할당을 최적화하고, 에이전트 간에 컨텍스트 전환을 촉진하고, 에이전트의 동시 실행을 가능하게 하고, 에이전트를 위한 도구 서비스를 제공하고, 에이전트에 대한 액세스 제어를 유지하도록 설계되었습니다. 이 백서에서는 이러한 운영 체제의 아키텍처를 제시하고, 해결하고자 하는 핵심 과제를 개괄적으로 설명하며, AIOS의 기본 설계 및 구현을 제공합니다. 여러 에이전트의 동시 실행에 대한 실험을 통해 AIOS 모듈의 안정성과 효율성을 입증했습니다. 이를 통해 LLM 에이전트의 성능과 효율성을 개선할 뿐만 아니라 향후 AIOS 에코시스템의 더 나은 개발과 배포를 개척하는 것을 목표로 합니다. 이 프로젝트는 [https://github.com/agiresearch/AIOS](https://github.com/agiresearch/AIOS)에서 오픈 소스로 제공됩니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]The integration and deployment of large language model (LLM)-based intelligent agents have been fraught with challenges that compromise their efficiency and efficacy. Among these issues are sub-optimal scheduling and resource allocation of agent requests over the LLM, the difficulties in maintaining context during interactions between agent and LLM, and the complexities inherent in integrating heterogeneous agents with different capabilities and specializations. The rapid increase of agent quantity and complexity further exacerbates these issues, often leading to bottlenecks and sub-optimal utilization of resources. Inspired by these challenges, this paper presents AIOS, an LLM agent operating system, which embeds large language model into operating systems (OS) as the brain of the OS, enabling an operating system "with soul"--an important step towards AGI. Specifically, AIOS is designed to optimize resource allocation, facilitate context switch across agents, enable concurrent execution of agents, provide tool service for agents, and maintain access control for agents. We present the architecture of such an operating system, outline the core challenges it aims to resolve, and provide the basic design and implementation of the AIOS. Our experiments on concurrent execution of multiple agents demonstrate the reliability and efficiency of our AIOS modules. Through this, we aim to not only improve the performance and efficiency of LLM agents but also to pioneer for better development and deployment of the AIOS ecosystem in the future. The project is open-source at [https://github.com/agiresearch/AIOS](https://github.com/agiresearch/AIOS). [|assistant|]

마지막으로 테스트 세트에서 우리 시스템이 RMS 보정 오류로 잘 보정되어 있음을 다시 관찰합니다.42(사람들: .38). 흥미롭게도, 이는 모델이 zero-shot 설정에서 잘 보정되지 않은 baseline 평가(그림 2(a))에서는 그렇지 않습니다(섹션 3.4). Fine-tuning 및 앙상블을 통해 우리 시스템은 보정을 위한 특정 훈련을 거치지 않고도 기본 모델의 보정을 개선합니다.[|endofturn|]

마지막으로 테스트 세트에서 우리 시스템이 RMS 보정 오류로 잘 보정되어 있음을 다시 관찰합니다.42(사람들: .38). 흥미롭게도, 이는 모델이 제로 샷 설정에서 잘 보정되지 않은 기본 평가(그림 2(a))에서는 그렇지 않습니다(섹션 3.4). 미세 조정 및 앙상블을 통해 우리 시스템은 보정을 위한 특정 훈련을 거치지 않고도 기본 모델의 보정을 개선합니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Finally, on the test set, we observe again that our system is well calibrated (Figure 2(c)) with RMS calibration error.42 (human crowd:.38). Interestingly, this is not the case in the baseline evaluations (Section 3.4), where the models are _not_ well calibrated in the zero-shot setting (Figure 2(a)). Through fine-tuning and ensembling, our system improves the calibration of the base models, without undergoing specific training for calibration. [|assistant|]

데이터 생성을 위한 파이프라인은 4단계로 구성됩니다: 1) 작업 instructions 생성, 2) instruction이 분류 작업을 나타내는지 확인, 3) 입력 우선 또는 출력 우선 접근 방식을 사용한 인스턴스 생성, 4) 품질이 낮은 데이터 필터링입니다.[|endofturn|]

데이터 생성을 위한 파이프라인은 4단계로 구성됩니다: 1) 작업 지침 생성, 2) 지침이 분류 작업을 나타내는지 확인, 3) 입력 우선 또는 출력 우선 접근 방식을 사용한 인스턴스 생성, 4) 품질이 낮은 데이터 필터링입니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Our pipeline for data generation consists of four steps: 1) generating task instructions, 2) determining if the instruction represents a classification task, 3) instance generation with either an input-first or output-first approach, and 4) filtering low-quality data. [|assistant|]

\(\bullet\) LM objective로 사전 훈련을 수행하면 causal decoder architecture가 우수한 zero-shot 및 few-shot generalization 기능을 달성할 수 있는 것으로 보입니다. 기존 연구에 따르면 multi-task Fine-tuning 없이 causal decoder는 다른 아키텍처보다 zero-shot 성능이 더 우수한 것으로 나타났습니다[29]. GPT-3 [55]의 성공은 큰 causal decoder 모델이 좋은 few-shot learner가 될 수 있음을 보여주었습니다. 또한 섹션 5에서 논의한 Instruction Tuning 및 alignment tuning은 대규모 causal decoder 모델의 성능을 더욱 향상시키는 것으로 입증되었습니다[66, 67, 69].[|endofturn|]

\(\bullet\) LM 목표로 사전 훈련을 수행하면 인과적 디코더 아키텍처가 우수한 제로 샷 및 소수 샷 일반화 기능을 달성할 수 있는 것으로 보입니다. 기존 연구에 따르면 다중 작업 미세 조정 없이 인과적 디코더는 다른 아키텍처보다 제로 샷 성능이 더 우수한 것으로 나타났습니다[29]. GPT-3 [55]의 성공은 큰 인과적 디코더 모델이 좋은 소수 샷 학습자가 될 수 있음을 보여주었습니다. 또한 섹션 5에서 논의한 지침 튜닝 및 정렬 튜닝은 대규모 인과적 디코더 모델의 성능을 더욱 향상시키는 것으로 입증되었습니다[66, 67, 69].[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]\(\bullet\) By pre-training with the LM objective, it seems that causal decoder architecture can achieve a superior zero-shot and few-shot generalization capacity. Existing research has shown that without multi-task fine-tuning, the causal decoder has better zero-shot performance than other architectures [29]. The success of GPT-3 [55] has demonstrates that the large causal decoder model can be a good few-shot learner. In addition, instruction tuning and alignment tuning discussed in Section 5 have been proven to further enhance the capability of large causal decoder models [66, 67, 69]. [|assistant|]

구조화된 데이터에는 테이블 및 지식 그래프와 같은 다양한 구조가 포함됩니다. 이러한 유형의 데이터의 장점은 각 필드가 정확하게 정의된 표 형식의 명확한 구조라는 것입니다. 숫자, 날짜, 텍스트 및 기타 데이터 유형을 저장하는 데 적합합니다. 구조화된 데이터는 SQL과 같은 structured query language를 사용하여 쉽게 쿼리, 분석 및 처리할 수 있습니다.[|endofturn|]

구조화된 데이터에는 테이블 및 지식 그래프와 같은 다양한 구조가 포함됩니다. 이러한 유형의 데이터의 장점은 각 필드가 정확하게 정의된 표 형식의 명확한 구조라는 것입니다. 숫자, 날짜, 텍스트 및 기타 데이터 유형을 저장하는 데 적합합니다. 구조화된 데이터는 SQL과 같은 구조화된 쿼리 언어를 사용하여 쉽게 쿼리, 분석 및 처리할 수 있습니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Structured data includes various structures, such as tables and knowledge graphs. The benefit of this type of data is its clear structure, typically in tabular form, with each field precisely defined. It is appropriate for storing numbers, dates, text, and other data types. Structured data can be easily queried, analysed, and processed using a structured query language like SQL. [|assistant|]

**Simulated Dialogues.** 미세 조정의 각 반복에서 우리는 5,230개의 다른 의학적 상태에서 비롯된 11,686개의 대화를 생성했습니다.[|endofturn|]

**시뮬레이션 대화**. 미세 조정의 각 반복에서 우리는 5,230개의 다른 의학적 상태에서 비롯된 11,686개의 대화를 생성했습니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]**Simulated Dialogues.** At each iteration of fine-tuning, we produced 11,686 dialogues, stemming from 5,230 different medical conditions. [|assistant|]

OLMo는 많은 개인과 기관의 지원 없이는 불가능했을 것입니다. 이 작업의 실험적 구성 요소는 AMD 및 CSC와의 파트너십을 통해 LUMI 슈퍼컴퓨터와 Harvard University의 Kemper Institute를 사용할 수 있었으며, 이를 통해 가능했습니다. Jonathan Frankle과 MosaicML(현 Databricks) 팀에게 FSDP에 대한 경험을 공유하고 OLMo의 기반이 되는 코드베이스를 구축해준 것에 대해 감사드립니다. 웹사이트, 디자인, 대내외 커뮤니케이션, 예산 책정 및 기타 활동을 지원하여 프로젝트의 원활한 진행을 도와준 동료인 Taira Anderson, Michelle Benedict, Jon Borchardt, Evie Cheng, Arnavi Chheda, Johann Dahm, Matt Latzke, Kelsey MacMillan, Aaron Sarnat, Carissa Schoenick, Sam Skjonsberg, Michael Schmitz, Michael Wilson, Caitlin Wittlif, 그리고 전체 IT 팀에게 감사의 말씀을 전합니다. 마지막으로 AI2의 팀원들과 Prithviraj (Raj) Ammanabrolu, Peter Clark, Nicole DeCario, Doug Downey, Ali Farhadi, Ian Ferreira, Vaino Hatanpaa, Sham M. Kakade, Julien Launay, Sydney Levine, Pekka Manninen, Franzi Roessner, Maarten Sap, Ludwig Schmidt, Yulia Tsvetkov, 그리고 Daniel S. Weld를 포함한 긴밀한 협력자들의 도움이 된 토론과 피드백에 대해 감사의 말씀을 전합니다.[|endofturn|]

OLMo는 많은 개인과 기관의 지원 없이는 불가능했을 것입니다. 이 작업의 실험적 구성 요소는 AMD 및 CSC와의 파트너십을 통해 룸미 슈퍼컴퓨터와 하버드 대학교의 켐퍼 연구소를 사용할 수 있었으며, 이를 통해 가능했습니다. 조나단 프랭클과 모자이크ML(현 다타브릭스) 팀에게 FSDP에 대한 경험을 공유하고 OLMo의 기반이 되는 코드베이스를 구축해준 것에 대해 감사드립니다. 웹사이트, 디자인, 대내외 커뮤니케이션, 예산 책정 및 기타 활동을 지원하여 프로젝트의 원활한 진행을 도와준 동료인 타이라 앤더슨, 미셸 베네딕트, 존 보차드, 에비 첸, 아르나비 체다, 요한 담, 매트 라츠케, 켈시 맥밀란, 아론 사르나트, 카리사 쇼닉, 샘 스키온스버그, 마이클 슈미츠, 마이클 윌슨, 케일린 윗리프, 그리고 전체 IT 팀에게 감사의 말씀을 전합니다. 마지막으로 AI2의 팀원들과 프리티비라즈(Raj) 암마나브로루, 피터 클라크, 니콜 데카리오, 더그 다우니, 알리 파르하디, 이안 페레이라, 바이노 하탄파, 샴 M. 카카데, 줄리앙 로네, 시드니 레빈, 페카 마니넨, 프란지 로에르너, 마르텐 잽버그, 루드비히 슈미트, 율리아 츠베트코프, 다니엘 S. 웰드를 포함한 긴밀한 협력자들의 도움이 된 토론과 피드백에 대해 감사의 말씀을 전합니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]OLMo would not have been possible without the support of many individuals and institutions. The experimental components of this work were made possible through a partnership with AMD and CSC, enabling use of the LUMI supercomputer, and Kemper Institute at Harvard University. We thank Jonathan Frankle and the team at MosaicML (now Databricks) for sharing their experiences with FSDP, and building the code base that OLMo is based on. We thank our teammates Taira Anderson, Michelle Benedict, Jon Borchardt, Evie Cheng, Arnavi Chheda, Johann Dahm, Matt Latzke, Kelsey MacMillan, Aaron Sarnat, Carissa Schoenick, Sam Skjonsberg, Michael Schmitz, Michael Wilson, Caitlin Wittlif, and the entire IT team, for their help with the website, design, internal and external communications, budgeting, and other activities that supported smooth progress on this project. Finally, we also express gratitude for the helpful discussions and feedback from our teammates at AI2 and close collaborators, including Prithviraj (Raj) Ammanabrolu, Peter Clark, Nicole DeCario, Doug Downey, Ali Farhadi, Ian Ferreira, Vaino Hatanpaa, Sham M. Kakade, Julien Launay, Sydney Levine, Pekka Manninen, Franzi Roessner, Maarten Sap, Ludwig Schmidt, Yulia Tsvetkov, and Daniel S. Weld. [|assistant|]

LLM 기반 다중 에이전트 시스템. LLM 기반 다중 에이전트 시스템(MAS)은 문제 해결을 위해 여러 에이전트 간의 상호 작용을 활용합니다. 여러 에이전트 간의 관계는 협력적, 경쟁적 또는 협력과 경쟁이 혼합되어 있을 수 있습니다[33]. 협력적 다중 에이전트 시스템에서 각 에이전트는 다른 에이전트가 제공한 정보를 수집하고 평가하여 역할극[46], 사회 시뮬레이션[47], 소프트웨어 개발[48, 49, 50, 51]과 같은 복잡한 작업을 해결하기 위해 함께 작업합니다. 경쟁적 다중 에이전트 시스템에서 에이전트는 협상 기술 향상[52] 및 정답에 대한 토론[53, 54, 55]과 같은 목표를 달성하기 위해 게임 환경에서 서로 데이터베이스화하고 협상하고 경쟁할 수 있습니다. 일부 다중 에이전트 시스템은 에이전트 간에 협력과 경쟁을 모두 나타낼 수 있습니다. 예를 들어, WarAgent [56]는 각 국가를 LLM 기반 에이전트로 모델링하여 국가 간의 상호 작용이 어떻게 국제 분쟁으로 이어질 수 있는지 연구하는데, 국가들은 동맹을 맺고 평화 협정을 체결하는 등 서로 협력하거나 군비 경쟁, 동원, 선전포고 등 서로 경쟁할 수 있습니다.[|endofturn|]

LLM 기반 다중 에이전트 시스템.LLM 기반 다중 에이전트 시스템(MAS)은 문제 해결을 위해 여러 에이전트 간의 상호 작용을 활용합니다. 여러 에이전트 간의 관계는 협력적, 경쟁적 또는 협력과 경쟁이 혼합되어 있을 수 있습니다[33]. 협력적 다중 에이전트 시스템에서 각 에이전트는 다른 에이전트가 제공한 정보를 수집하고 평가하여 역할극[46], 사회 시뮬레이션[47], 소프트웨어 개발[48, 49, 50, 51]과 같은 복잡한 작업을 해결하기 위해 함께 작업합니다. 경쟁적 다중 에이전트 시스템에서 에이전트는 협상 기술 향상[52] 및 정답에 대한 토론[53, 54, 55]과 같은 목표를 달성하기 위해 게임 환경에서 서로 데이터베이스화하고 협상하고 경쟁할 수 있습니다. 일부 다중 에이전트 시스템은 에이전트 간에 협력과 경쟁을 모두 나타낼 수 있습니다. 예를 들어, WarAgent [56]는 각 국가를 LLM 기반 에이전트로 모델링하여 국가 간의 상호 작용이 어떻게 국제 분쟁으로 이어질 수 있는지 연구하는데, 국가들은 동맹을 맺고 평화 협정을 체결하는 등 서로 협력하거나 군비 경쟁, 동원, 선전포고 등 서로 경쟁할 수 있습니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]LLM-based Multi-Agent Systems.LLM-based multi-agent systems (MAS) leverage the interaction among multiple agents for problem solving. The relationship among the multiple agents could be cooperative, competitive, or a mixture of cooperation and competition [33]. In cooperative multi-agent systems, each agent takes and assesses the information provided by other agents, thereby working together to solve complex tasks, such as role playing [46], social simulation [47] and software development [48, 49, 50, 51]. In competitive multi-agent systems, agents may detabe, negotiate and compete with each other in a game environment to achieve their goals, such as improving negotiation skills [52] and debating about the correct answer [53, 54, 55]. Some multi-agent systems may exhibit both cooperation and competition among agents. For example, WarAgent [56] models each country as an LLM-based agent to study how the interaction between countries can lead to international conflicts, where countries may cooperate with each other, such as establishing alliances and making peace agreements, or compete with each other, such as arms race, mobilization, and declaring wars. [|assistant|]

잠재적 다중 홉 추론 경로잠재적 다중 홉 추론을 위한 하나의 경로(예: 엔티티 리콜을 통해 두 번째 홉의 사용을 테스트)를 연구하는 동안, LLM에서 추론 경로의 잠재적 중복성(McGrath et al., 2023)을 고려할 때 다른 경로가 존재할 수 있으며, 동일한 정보를 다른 방식으로 검색할 수 있습니다. 또한 다중 홉 추론을 end-to-end로 측정하지 않고 단일 레이어에 대해 첫 번째 홉과 두 번째 홉에서 발생하는 변경 사항만 추적하는 반면, 추론의 첫 번째 홉의 효과가 다른 레이어로 전파될 수 있습니다. 따라서 우리가 보는 효과는 모델이 잠재적인 2홉 추론을 수행할 수 있는 능력의 하한선일 수 있습니다.[|endofturn|]

잠재적 다중 홉 추론 경로잠재적 다중 홉 추론을 위한 하나의 경로(예: 엔티티 리콜을 통해 두 번째 홉의 사용을 테스트)를 연구하는 동안, LLM에서 추론 경로의 잠재적 중복성(McGrath et al., 2023)을 고려할 때 다른 경로가 존재할 수 있으며, 동일한 정보를 다른 방식으로 검색할 수 있습니다. 또한 다중 홉 추론을 엔드투엔드로 측정하지 않고 단일 레이어에 대해 첫 번째 홉과 두 번째 홉에서 발생하는 변경 사항만 추적하는 반면, 추론의 첫 번째 홉의 효과가 다른 레이어로 전파될 수 있습니다. 따라서 우리가 보는 효과는 모델이 잠재적인 2홉 추론을 수행할 수 있는 능력의 하한선일 수 있습니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Latent Multi-Hop Reasoning PathwayWhile we study one pathway for latent multi-hop reasoning (e.g., we test the use of the second hop by means of entity recall), considering the potential redundancy of inference pathways in LLMs (McGrath et al., 2023), other pathways might exist; the same information might be retrieved in different ways. Also, we don't measure multi-hop reasoning end-to-end and track only the changes that occur in the first and the second hop with respect to a single layer, while the effect of the first hop of reasoning could possibly propagate to other layers. Hence, the effects we see might be a lower bound on the model's ability to perform latent two-hop reasoning. [|assistant|]

그림 6: (왼쪽) 상대적 성능 이득은 내재적 난이도가 높아짐에 따라 증가했다가 감소합니다. (가운데) 상대적 성능 이득은 단계 수에 따라 증가합니다. (오른쪽) 절대 성능은 prior probability에 따라 증가합니다. 다른 두 차원을 고정하여 각 차원을 분석합니다.[|endofturn|]

그림 6: (왼쪽) 상대적 성능 이득은 내재적 난이도가 높아짐에 따라 증가했다가 감소합니다. (가운데) 상대적 성능 이득은 단계 수에 따라 증가합니다. (오른쪽) 절대 성능은 사전 확률에 따라 증가합니다. 다른 두 차원을 고정하여 각 차원을 분석합니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Figure 6: (Left) The relative performance gains increase and then decrease with rising inherent difficulty. (Middle) The relative performance gains increase with the number of steps. (Right) The absolute performance increases with the prior probability. We analyze each dimension by fixing the other two dimensions. [|assistant|]

프롬프트 재작성자 역할을 하길 원합니다. 주어진 프롬프트를 data format을 사용하여 더 복잡한 버전으로 재작성하여 유명한 AI 시스템(예: chatgpt 및 GPT4)을 처리하기 어렵게 만드는 것이 목표입니다. 하지만 재작성된 프롬프트는 합리적이어야 하며, 사람이 이해하고 응답할 수 있어야 합니다.[|endofturn|]

프롬프트 재작성자 역할을 하길 원합니다. 주어진 프롬프트를 데이터 형식을 사용하여 더 복잡한 버전으로 재작성하여 유명한 AI 시스템(예: chatgpt 및 GPT4)을 처리하기 어렵게 만드는 것이 목표입니다. 하지만 재작성된 프롬프트는 합리적이어야 하며, 사람이 이해하고 응답할 수 있어야 합니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]I want you act as a Prompt Rewriter. Your objective is to rewrite a given prompt into a more complex version using dataformat to make those famous AI systems (e.g., chatgpt and GPT4) more difficult to handle. But the rewritten prompt must be reasonable and must be understood and responded by humans. [|assistant|]

위험 카테고리별로 1,810개에서 27,250개의 prompts가 있으며, 평균은 6,156개입니다. 위험 카테고리와 persona별로 나눈 데이터 세트의 prompts 수는 표 4에 나와 있습니다. Hate(n=26,530) 및 폭력 범죄(n=4,390)의 경우 악의적인 사용자 persona와 관련된 prompts가 훨씬 더 많습니다. 이는 핵심 용어(예: 보호 대상 그룹, 테러 단체 및 테러 행위자)에 대한 템플릿을 사용하기 때문입니다. 그 외에 prompts 수의 사소한 차이는 하위 카테고리 및 하위 하위 카테고리의 수가 다르기 때문입니다. 13가지 상호 작용 유형 각각에 할당된 prompts 수는 위험 카테고리 및 persona별로 세분화되어 있으며, 부록(참조 부록 G)에 나와 있습니다. 간단한 데이터 시트 [1]는 부록(참조 부록 H)에 나와 있습니다. 이는 v1.0 벤치마크 및 데이터 세트 릴리스를 위해 확장될 예정입니다.[|endofturn|]

위험 카테고리별로 1,810개에서 27,250개의 프롬프트가 있으며, 평균은 6,156개입니다. 위험 카테고리와 페르소나별로 나눈 데이터 세트의 프롬프트 수는 표 4에 나와 있습니다. Hate(n=26,530) 및 폭력 범죄(n=4,390)의 경우 악의적인 사용자 페르소나와 관련된 프롬프트가 훨씬 더 많습니다. 이는 핵심 용어(예: 보호 대상 그룹, 테러 단체 및 테러 행위자)에 대한 템플릿을 사용하기 때문입니다. 그 외에 프롬프트 수의 사소한 차이는 하위 카테고리 및 하위 하위 카테고리의 수가 다르기 때문입니다. 13가지 상호 작용 유형 각각에 할당된 프롬프트 수는 위험 카테고리 및 페르소나별로 세분화되어 있으며, 부록(참조 부록 G)에 나와 있습니다. 간단한 데이터 시트 [1]는 부록(참조 부록 H)에 나와 있습니다. 이는 v1.0 벤치마크 및 데이터 세트 릴리스를 위해 확장될 예정입니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]There are between 1,810 and 27,250 prompts per hazard category, with a mean of 6,156. The number of prompts in the dataset, split by the hazard category and persona, is given in Table 4. There are substantially more prompts associated with the malicious user persona for Hate (n=26,530) and for Violent crimes (n=4,390) because we use templates for key terms (i.e. protected groups, terrorist groups and terrorist actors). Otherwise, minor differences in the number of prompts are due to different numbers of subcategories and sub-subcategories. The number of prompts assigned to each of the 13 interaction types, with breakdowns for each hazard category and persona, is shown in the Appendix (see Appendix G). A brief datasheet [1] is given in the Appendix (see Appendix H). It will be expanded for the v1.0 benchmark and dataset release. [|assistant|]

Gao et al., 2023)은 훨씬 더 까다로운 설정에서 완전히 실패합니다. 이러한 증거를 감안하여 현재 faithfulness evaluation 벤치마크에서 고려하는 오류 유형과 작업 설정(현재의 장편 요약 작업 포함)의 범위를 넓혀야 할 필요성이 제기됩니다.[|endofturn|]

Gao et al., 2023)은 훨씬 더 까다로운 설정에서 완전히 실패합니다. 이러한 증거를 감안하여 현재 충실도 평가 벤치마크에서 고려하는 오류 유형과 작업 설정(현재의 장편 요약 작업 포함)의 범위를 넓혀야 할 필요성이 제기됩니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Gao et al., 2023) completely fails for our significantly more challenging setting. Given this evidence, we call for broadening the scope of error types and task settings (including our current task of book-length summarization) considered by current faithfulness evaluation benchmarks. [|assistant|]

그림 3: 가중치 합의 선형 계수를 추론하여 언어 모델의 In-Context Learning 능력을 평가합니다. emergent ability가 측정의 산물인지에 대한 논의를 고려하여, 우리는 목표(목표 수 - 모델 예측)와의 차이를 연속적인 측정으로, 정확한 일치(목표 수 == 모델 예측)를 불연속적인 측정으로 사용합니다. A: 선형 계수가 두 개인 경우, 목표 수와의 차이로 측정할 때 Yi-34B가 가장 우수한 성능을 보입니다. B: 선형 계수의 수를 5로 늘리면 충분히 큰 모델(LLaMA2 70B 및 Mixtral 8x7B)만이 의미 있는 정확한 일치를 달성할 수 있으며, 이는 In-Context Learning 복잡한 함수 학습이 emergent ability임을 보여줍니다.[|endofturn|]

그림 3: 가중치 합의 선형 계수를 추론하여 언어 모델의 상황 맞춤 학습 능력을 평가합니다. [65]의 측정의 산물인지에 대한 논의를 고려하여, 우리는 목표(목표 수 - 모델 예측)와의 차이를 연속적인 측정으로, 정확한 일치(목표 수 == 모델 예측)를 불연속적인 측정으로 사용합니다. A: 선형 계수가 두 개인 경우, 목표 수와의 차이로 측정할 때 Yi-34B가 가장 우수한 성능을 보입니다. B: 선형 계수의 수를 5로 늘리면 충분히 큰 모델(LLaMA2 70B 및 Mixtral 8x7B)만이 의미 있는 정확한 일치를 달성할 수 있으며, 이는 상황에 맞는 복잡한 함수 학습이 출현하는 능력임을 보여줍니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Figure 3: Evaluating language model’s in-context learning capability by inferring the linear coefficients of a weighted sum. Considering the discussions of whether emergent ability is an artifact of measurement [65], we use difference to the target (target number - model prediction) as a continuous measure, and exact match (target number == model prediction) as a discontinuous measure. A: when there is two linear coefficients, Yi-34B performs the best when measuring by the difference to the target number. B: increasing the number of linear coefficients to 5, only models that are large enough (LLaMA2 70B and Mixtral 8x7B) can achieve meaningful exact match, showing that in-context learning complex functions is an emergent ability. [|assistant|]

특정 질문에 대해 각 플랫폼은 모든 개별 예측을 집계하는 커뮤니티 예측을 계산합니다. 이 예측은 예측이 이루어짐에 따라 동적으로 업데이트되고 기록됩니다. 이 기록은 개별 예측을 사용하여 처음부터 계산하는 대신 플랫폼에서 직접 소싱합니다. 이항 질문의 경우 aggregation 메커니즘에 대한 자세한 내용은 다음과 같이 제공됩니다.[|endofturn|]

특정 질문에 대해 각 플랫폼은 모든 개별 예측을 집계하는 커뮤니티 예측을 계산합니다. 이 예측은 예측이 이루어짐에 따라 동적으로 업데이트되고 기록됩니다. 이 기록은 개별 예측을 사용하여 처음부터 계산하는 대신 플랫폼에서 직접 소싱합니다. 이항 질문의 경우 집계 메커니즘에 대한 자세한 내용은 다음과 같이 제공됩니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]On any given question, each platform computes a community prediction that aggregates all individual forecasts. The prediction is dynamically updated and recorded as the forecasts are made. We source the records directly from the platforms (instead of computing them from scratch using the individual forecasts). For binary questions, we provide more details on the aggregation mechanisms as follows. [|assistant|]

표 7: 인스턴스 생성의 입력 우선 접근 방식에 사용된 prompt입니다. 모델은 먼저 인스턴스를 생성하도록 prompt를 받은 다음 해당 출력을 생성합니다. 추가 입력이 필요하지 않은 instruction의 경우 출력을 직접 생성할 수 있습니다.[|endofturn|]

\begin{표} \begin{tabular}{l} \hline \hline \end{tabular} \end{table} 표 7: 인스턴스 생성의 입력 우선 접근 방식에 사용된 프롬프트입니다. 모델은 먼저 인스턴스를 생성하도록 프롬프트를 받은 다음 해당 출력을 생성합니다. 추가 입력이 필요하지 않은 지침의 경우 출력을 직접 생성할 수 있습니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]\begin{table} \begin{tabular}{l} \hline \hline \end{tabular} \end{table} Table 7: Prompt used for the input-first approach of instance generation. The model is prompted to generate the instance first, and then generate the corresponding output. For instructions that don’t require additional input, the output is allowed to be generated directly. [|assistant|]

그림 2: GPT-4를 사용한 6개의 QA 데이터 세트에서 RAG 선호도(y축)와 두 가지 특성(x축) 사이에 일관되게 반비례 관계가 관찰됩니다: 1. 모델의 prior 응답 확률(왼쪽 플롯)과 2. prior에서 벗어난 양(오른쪽 플롯). RAG 선호도는 프롬프트에 제시된 정보와 일치하는 응답의 비율로 정의됩니다. 모델의 prior 응답 확률은 RAG 없이 쿼리된 응답 토큰의 평균 로그 확률에서 계산됩니다. 각 쌍의 왼쪽 플롯은 최적의 추세선과 기울기와 함께 RAG 선호도에 대한 prior 확률(10개의 구간으로 그룹화됨)을 시각화합니다. 오른쪽 플롯은 참조 정보로부터의 절대 편차(숫자 데이터 세트의 경우(위쪽), 최대 2배의 로그 변화(추세선 포함), 범주형 데이터 세트의 경우(아래쪽), 총 4개의 수정 범주)를 RAG 선호도에 대비하여 시각화합니다. 또한 오른쪽 플롯에는 상위 및 하위 5분위수가 표시되어 낮은 확률의 prior 응답이 높은 확률의 prior 응답보다 RAG 선호도가 단조롭게 낮다는 것을 보여줍니다.[|endofturn|]

그림 2: GPT-4를 사용한 6개의 QA 데이터 세트에서 RAG 선호도(y축)와 두 가지 특성(x축) 사이에 일관되게 반비례 관계가 관찰됩니다: 1. 모델의 사전 응답 확률(왼쪽 플롯)과 2. 사전에서 벗어난 양(오른쪽 플롯). RAG 선호도는 프롬프트에 제시된 정보와 일치하는 응답의 비율로 정의됩니다. 모델의 사전 응답 확률은 RAG 없이 쿼리된 응답 토큰의 평균 로그 확률에서 계산됩니다. 각 쌍의 왼쪽 플롯은 최적의 추세선과 기울기와 함께 RAG 선호도에 대한 사전 확률(10개의 구간으로 그룹화됨)을 시각화합니다. 오른쪽 플롯은 참조 정보로부터의 절대 편차(숫자 데이터 세트의 경우(위쪽), 최대 2배의 로그 변화(추세선 포함), 범주형 데이터 세트의 경우(아래쪽), 총 4개의 수정 범주)를 RAG 선호도에 대비하여 시각화합니다. 또한 오른쪽 플롯에는 상위 및 하위 5분위수가 표시되어 낮은 확률의 사전 응답이 높은 확률의 사전 응답보다 RAG 선호도가 단조롭게 낮다는 것을 보여줍니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Figure 2: Across six QA datasets using GPT-4, we consistently observe an inverse relationship between the RAG preference rate (y-axis) and two characteristics (x-axes): 1. the model’s prior response probability (lefthand plots), and 2. the amount of deviation from the prior (righthand plots). RAG preference rate is defined as the proportion of responses that align with the information presented in the prompt as context. The model’s prior response probability is computed from the average log probability of the response tokens queried without RAG. The left plot in each pair visualizes the prior probability (grouped into 10 bins) against the RAG preference rate, along with the best-fit trend line and slope. The right plot visualizes absolute deviation from the reference information (for numerical datasets (top), up to two log-fold changes (along with the trendline); for categorical datasets (bottom), a total of four modification categories) against RAG preference rate. Additionally, the upper and lower half percentiles are shown in the right plots to illustrate that lower probability prior responses have monotonically lower RAG preference rates than higher probability prior responses. [|assistant|]

**Sequence Tagging**. 시퀀스 태깅 작업, _예를 들어, 명명된 엔티티 인식(NER) [755] 및 품사(POS) 태깅 [756]도 기본 작업입니다. 일반적으로 이러한 작업에는 입력 시퀀스의 각 토큰에 적절한 의미 범주 레이블, _예를 들어, NER 작업의 고전적인 B-I-O(_시작, 내부_ 및 _외부_) 태깅 체계를 할당해야 합니다. 딥러닝 시대의 초기 노력 [757, 758]은 주로 학습된 시퀀스 표현(_예: CNN, LSTM, BERT 사용)을 고전적인 조건부 랜덤 필드 모델(CRF)에 통합하여 구조적 예측을 기반으로 태깅 작업을 수행했습니다. 최근 연구자들은 시퀀스 태깅 작업에서 LLM의 성능을 테스트했지만, 특히 모호하거나 희귀한 이름을 가진 특수 카테고리, _예를 들어 "MISC"(_기타 엔티티_) 및 "ORG"(_조직_) 클래스의 경우, LLM이 In-Context Learning [753]을 사용하여 해결하는 데 여전히 어려움을 겪고 있다는 것을 관찰했습니다. 한 가지 가능한 이유는 LLM이 인간이 주석을 단 데이터 세트에서 이러한 클래스의 의미를 잘못 이해하여 문맥의 Instruction과 제한된 예제에 따라 그 의미를 정확하게 이해하기 어렵기 때문일 수 있습니다.[|endofturn|]

**시퀀스 태깅**. 시퀀스 태깅 작업, _예를 들어, 명명된 엔티티 인식(NER) [755] 및 품사(POS) 태깅 [756]도 기본 작업입니다. 일반적으로 이러한 작업에는 입력 시퀀스의 각 토큰에 적절한 의미 범주 레이블, _예를 들어, NER 작업의 고전적인 B-I-O(_시작, 내부_ 및 _외부_) 태깅 체계를 할당해야 합니다. 딥러닝 시대의 초기 노력 [757, 758]은 주로 학습된 시퀀스 표현(_예: CNN, LSTM, BERT 사용)을 고전적인 조건부 랜덤 필드 모델(CRF)에 통합하여 구조적 예측을 기반으로 태깅 작업을 수행했습니다. 최근 연구자들은 시퀀스 태깅 작업에서 LLM의 성능을 테스트했지만, 특히 모호하거나 희귀한 이름을 가진 특수 카테고리, _예를 들어 "MISC"(_기타 엔티티_) 및 "ORG"(_조직_) 클래스의 경우, LLM이 인컨텍스트 학습 [753]을 사용하여 해결하는 데 여전히 어려움을 겪고 있다는 것을 관찰했습니다. 한 가지 가능한 이유는 LLM이 인간이 주석을 단 데이터 세트에서 이러한 클래스의 의미를 잘못 이해하여 문맥의 지시와 제한된 예제에 따라 그 의미를 정확하게 이해하기 어렵기 때문일 수 있습니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]**Sequence Tagging.** The sequence tagging tasks, _e.g._, named entity recognition (NER) [755] and part-of-speech (POS) tagging [756], are also fundamental tasks. Typically, such tasks require assigning each token in the input sequence a proper semantic category label, _e.g._, the classic B-I-O (_Beginning, Inside_ and _Outside_) tagging scheme for NER tasks. In the era of deep learning, early efforts [757, 758] mainly integrate the learned sequence representations (_e.g._, using CNN, LSTM, and BERT) into the classic conditional random field model (CRF), which performs the tagging task based on structural prediction. Recently, researchers have tested the performance of LLMs in sequence tagging tasks, but observed that LLMs still face challenges in solving them using in-context learning [753], especially for special categories with ambiguous or rare names, _e.g._, the "MISC" (_miscellaneous entity_) and "ORG" (_organization_) classes. A possible reason is that LLMs may misunderstand the meanings of these classes in the human-annotated dataset, making it difficult to accurately understand their semantics according to the instruction and limited examples in the context. [|assistant|]

이 섹션에서는 RALM 아키텍처의 연구자들이 구성 요소를 개선하여 출력 품질을 개선한 방법을 설명합니다. 개선 방법을 Retriever Enhancement, LM Enhancement, 전반적인 개선의 세 부분으로 나누었습니다. 그림 4는 개선 방법의 분류를 보여줍니다.[|endofturn|]

이 섹션에서는 RALM 아키텍처의 연구자들이 구성 요소를 개선하여 출력 품질을 개선한 방법을 설명합니다. 개선 방법을 검색기 개선, LM 개선, 전반적인 개선의 세 부분으로 나누었습니다. 그림 4는 개선 방법의 분류를 보여줍니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]This section describes how researchers in the RALM architecture improved the output quality by enhancing its components. We divided the improvement method into three parts: Retriever Enhancement, LM Enhancement, and Overall Enhancement. Figure 4 illustrates the categorization of enhancement methods. [|assistant|]

다양한 NLP 작업을 통해 LM을 Fine-tuning하는 방법은 유망한 결과를 보여주었지만, 실제 사용자의 의도에 부합하지 못하는 경우가 많습니다. OpenAI는 다양한 형태와 광범위한 작업 유형을 포괄하는 대규모 인간 지침 코퍼스를 제공하기 위해 인간 주석가에게 요청하는 다른 접근 방식을 추구했습니다. 이 데이터 세트를 기반으로 OpenAI는 GPT3 [1] 모델을 훈련하여 사용자의 입력에 더 잘 부합하는 InstructGPT [10]를 만들었습니다. 이러한 개발은 ChatGPT로 알려진 인상적인 작업으로 이어지기도 했습니다. 그러나 이러한 발전과 관련된 데이터 세트 및 모델 가중치는 공개적으로 사용할 수 없다는 점에 유의해야 합니다. Alpaca [26]는 self-instruct 방식 [27]을 채택하여 ChatGPT를 활용하여 학습용 데이터를 생성하는 다른 경로를 취합니다. Vicuna [28]는 ShareGPT.com에서 수집한 사용자 공유 대화를 활용하여 모델을 훈련합니다. WizardLM [29]은 기존 instruction 데이터를 진화시켜 더욱 복잡하고 다양한 데이터 세트를 생성하는 _Evol-Instruct_ 방법을 도입합니다. 이러한 일반적인 instruction Fine-tuning 접근 방식과는 대조적으로, 우리의 _WizardCoder_는 코드 LLM 영역에서 _Evol-Instruct_ 방법을 성공적으로 적용했습니다.[|endofturn|]

다양한 NLP 작업을 통해 LM을 미세 조정하는 방법은 유망한 결과를 보여주었지만, 실제 사용자의 의도에 부합하지 못하는 경우가 많습니다. OpenAI는 다양한 형태와 광범위한 작업 유형을 포괄하는 대규모 인간 지침 코퍼스를 제공하기 위해 인간 주석가에게 요청하는 다른 접근 방식을 추구했습니다. 이 데이터 세트를 기반으로 OpenAI는 GPT3 [1] 모델을 훈련하여 사용자의 입력에 더 잘 부합하는 InstructGPT [10]를 만들었습니다. 이러한 개발은 챗GPT로 알려진 인상적인 작업으로 이어지기도 했습니다. 그러나 이러한 발전과 관련된 데이터 세트 및 모델 가중치는 공개적으로 사용할 수 없다는 점에 유의해야 합니다. 알파카 [26]는 셀프 인스트럭트 방식 [27]을 채택하여 챗GPT를 활용하여 학습용 데이터를 생성하는 다른 경로를 취합니다. Vicuna [28]는 ShareGPT.com에서 수집한 사용자 공유 대화를 활용하여 모델을 훈련합니다. WizardLM [29]은 기존 지침 데이터를 진화시켜 더욱 복잡하고 다양한 데이터 세트를 생성하는 _Evol-Instruct_ 방법을 도입합니다. 이러한 일반적인 지침 미세 조정 접근 방식과는 대조적으로, 우리의 _WizardCoder_는 코드 LLM 영역에서 _Evol-Instruct_ 방법을 성공적으로 적용했습니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]While fine-tuning LMs with diverse NLP tasks has shown promising results, it often falls short in aligning with the intentions of real-world users. OpenAI has pursued a different approach by soliciting human annotators to provide a large corpus of human instructions, encompassing diverse forms and a wide range of task types. Building upon this dataset, OpenAI trained its GPT3 [1] model to create InstructGPT [10], which better aligns with users' inputs. This line of development has even led to the impressive work known as ChatGPT. However, it is important to note that the dataset and model weights associated with these advancements are not publicly available. Alpaca [26] takes a different route by adopting the self-instruct method [27], leveraging ChatGPT to generate data for training. Vicuna [28] utilizes user-shared conversations collected from ShareGPT.com to train its models. WizardLM [29] introduces the _Evol-Instruct_ method, which involves evolving existing instruction data to generate more complex and diverse datasets. In contrast to these general instruction fine-tuning approaches, our _WizardCoder_ successfully applies the _Evol-Instruct_ method specifically in the domain of Code LLMs. [|assistant|]

유능한 LLM을 개발하려면 다양한 데이터 소스에서 대량의 자연어 말뭉치를 수집하는 것이 핵심이다. 기존 LLM은 주로 다양한 공개 텍스트 데이터 세트를 pre-training 말뭉치로 활용한다. 그림 6은 여러 대표적인 LLM의 pre-training 데이터 소스 분포를 보여준다.[|endofturn|]

유능한 LLM을 개발하려면 다양한 데이터 소스에서 대량의 자연어 말뭉치를 수집하는 것이 핵심이다. 기존 LLM은 주로 다양한 공개 텍스트 데이터 세트를 사전 학습 말뭉치로 활용한다. 그림 6은 여러 대표적인 LLM의 사전 학습 데이터 소스 분포를 보여준다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]To develop a capable LLM, it is key to collect a large amount of natural language corpus from various data sources. Existing LLMs mainly leverage a mixture of diverse public textual datasets as the pre-training corpus. Figure 6 shows the distribution of the sources of pre-training data for a number of representative LLMs. [|assistant|]

**Galactica:** [87]에서 Taylor 등은 과학적 지식을 저장, 결합 및 추론할 수 있는 Large Language Model (LLM)인 Galactica를 소개했습니다. 이들은 논문, 참고 자료, 지식창고 및 기타 다양한 출처로 구성된 대규모 과학 코퍼스를 학습했습니다. Galactica는 추론에서 우수한 성능을 보였으며, 수학 MMLU에서 Chinchilla를 41.3% 대 35.7%, MATH에서 PaLM 540B를 20.4% 대 8.8%로 앞섰습니다.[|endofturn|]

**Galactica:** [87]에서 Taylor 등은 과학적 지식을 저장, 결합 및 추론할 수 있는 대규모 언어 모델인 Galactica를 소개했습니다. 이들은 논문, 참고 자료, 지식창고 및 기타 다양한 출처로 구성된 대규모 과학 코퍼스를 학습했습니다. Galactica는 추론에서 우수한 성능을 보였으며, 수학 MMLU에서 Chinchilla를 41.3% 대 35.7%, MATH에서 PaLM 540B를 20.4% 대 8.8%로 앞섰습니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]**Galactica:** In [87], Taylor et al. introduced Galactica, a large language model that can store, combine and reason about scientific knowledge. They trained on a large scientific corpus of papers, reference material, knowledge bases and many other sources. Galactica performed well on reasoning, outperforming Chinchilla on mathematical MMLU by 41.3% to 35.7%, and PaLM 540B on MATH with a score of 20.4% versus 8.8%. [|assistant|]

오류 메시지에 대한 자세한 설명 제공, 잠재적인 수정 사항 제안, 코드의 정확성 보장 등의 기능을 제공합니다. PENTESTGPT [125]는 LLMs을 기반으로 한 침투 테스트 도구로, 일반적인 취약점을 효과적으로 식별하고 소스 코드를 해석하여 익스플로잇을 개발할 수 있습니다. DB-GPT [41]는 LLMs의 기능을 활용하여 데이터베이스에서 이상 징후의 잠재적인 근본 원인을 체계적으로 평가합니다. DB-GPT는 생각의 트리 접근 방식을 구현하여 LLMs이 현재 단계가 실패한 경우 이전 단계로 역추적할 수 있도록 하여 진단 프로세스의 정확성을 향상시킵니다.[|endofturn|]

오류 메시지에 대한 자세한 설명 제공, 잠재적인 수정 사항 제안, 코드의 정확성 보장 등의 기능을 제공합니다. PENTESTGPT [125]는 LLM을 기반으로 한 침투 테스트 도구로, 일반적인 취약점을 효과적으로 식별하고 소스 코드를 해석하여 익스플로잇을 개발할 수 있습니다. DB-GPT [41]는 LLM의 기능을 활용하여 데이터베이스에서 이상 징후의 잠재적인 근본 원인을 체계적으로 평가합니다. DB-GPT는 생각의 트리 접근 방식을 구현하여 LLM이 현재 단계가 실패한 경우 이전 단계로 역추적할 수 있도록 하여 진단 프로세스의 정확성을 향상시킵니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]code. Its features include providing detailed explanations of error messages, suggesting potential fixes, and ensuring the accuracy of the code. PENTESTGPT [125] is a penetration testing tool based on LLMs, which can effectively identify common vulnerabilities, and interpret source code to develop exploits. DB-GPT [41] utilizes the capabilities of LLMs to systematically assess potential root causes of anomalies in databases. Through the implementation of a tree of thought approach, DB-GPT enables LLMs to backtrack to previous steps in case the current step proves unsuccessful, thus enhancing the accuracy of the diagnosis process. [|assistant|]

이 작업에서는 사전 학습된 LM을 모델 자체의 instructional 신호를 사용하여 Instruction Tuning하는 반 자동화 프로세스인 Self-Instruct를 소개합니다. 전체 프로세스는 반복적인 부트스트랩 알고리즘(그림 2 참조)으로, 전체 생성을 안내하는 데 사용되는 제한된(예: 이 연구에서는 175개) 수작업으로 작성된 태스크의 시드 세트로 시작합니다. 첫 번째 단계에서는 모델에 새 작업에 대한 instructions를 생성하라는 프롬프트가 표시됩니다. 이 단계에서는 기존 instructions 컬렉션을 활용하여 (종종 새로운) 작업을 정의하는 보다 광범위한 instructions를 생성합니다. 새로 생성된 instructions 집합이 주어지면 프레임워크는 이에 대한 입력-출력 인스턴스도 생성하여 나중에 Instruction Tuning을 감독하는 데 사용할 수 있습니다. 마지막으로, 다양한 휴리스틱을 사용하여 품질이 낮거나 반복되는 instructions를 자동으로 필터링한 후 나머지 유효한 작업을 작업 풀에 추가합니다. 이 프로세스는 많은 작업 수에 도달할 때까지 여러 반복을 통해 반복할 수 있습니다.[|endofturn|]

이 작업에서는 사전 학습된 LM을 모델 자체의 교육 신호를 사용하여 교육 튜닝하는 반 자동화 프로세스인 Self-Instruct를 소개합니다. 전체 프로세스는 반복적인 부트스트랩 알고리즘(그림 2 참조)으로, 전체 생성을 안내하는 데 사용되는 제한된(예: 이 연구에서는 175개) 수작업으로 작성된 태스크의 시드 세트로 시작합니다. 첫 번째 단계에서는 모델에 새 작업에 대한 지침을 생성하라는 프롬프트가 표시됩니다. 이 단계에서는 기존 지침 컬렉션을 활용하여 (종종 새로운) 작업을 정의하는 보다 광범위한 지침을 생성합니다. 새로 생성된 지침 집합이 주어지면 프레임워크는 이에 대한 입력-출력 인스턴스도 생성하여 나중에 지침 튜닝을 감독하는 데 사용할 수 있습니다. 마지막으로, 다양한 휴리스틱을 사용하여 품질이 낮거나 반복되는 지침을 자동으로 필터링한 후 나머지 유효한 작업을 작업 풀에 추가합니다. 이 프로세스는 많은 작업 수에 도달할 때까지 여러 반복을 통해 반복할 수 있습니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]In this work, we introduce Self-Instruct, a semi-automated process for instruction-tuning a pretrained LM using instructional signals from the model itself. The overall process is an iterative bootstrapping algorithm (see Figure 2), which starts off with a limited (e.g., 175 in our study) seed set of manually-written tasks that are used to guide the overall generation. In the first phase, the model is prompted to generate instructions for new tasks. This step leverages the existing collection of instructions to create more broad-coverage instructions that define (often new) tasks. Given the newly-generated set of instructions, the framework also creates input-output instances for them, which can be later used for supervising the instruction tuning. Finally, various heuristics are used to automatically filter low-quality or repeated instructions, before adding the remaining valid tasks to the task pool. This process can be repeated for many iterations until reaching a large number of tasks. [|assistant|]

질문이 이미 해결되었다고 해서 플래그를 지정해야 하는 것은 아닙니다. 의심스러운 경우 "ok"로 표시하세요.[|endofturn|]

질문이 이미 해결되었다고 해서 플래그를 지정해야 하는 것은 아닙니다. 의심스러운 경우 "확인"으로 표시하세요.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]If a question is already resolved, that doesn't mean it should be flagged. When in doubt, mark it as "ok". [|assistant|]

일반적으로 더 강력한 threat model에 따라 작동하는 공격은 정밀도가 더 높습니다. 그러나 이론적인 개선이 항상 실용적인 것은 아닙니다. 이론적으로 더 강력한 SSE 공격은 쿼리당 5개의 logprobs를 학습하지만 실제로는 더 많은 쿼리가 필요하고 logits을 더 낮은 충실도로 복구해야 합니다. 이 공격은 수치적으로 불안정하기 때문에 잠재적으로 조건이 좋지 않은 행렬이 필요하고, logit bias를 조정한 후 API를 다시 쿼리해야 하기 때문입니다. 가장 강력한 logprob-free 공격은 매우 효율적이며, logit당 단 3.7개의 쿼리로 18비트의 정밀도를 회복합니다. 부록 F에서는 이 정밀도가 최적의 정밀도에서 얼마나 떨어져 있는지 이론적으로 분석한 결과, 2배 이내라는 것을 발견했습니다.[|endofturn|]

일반적으로 더 강력한 위협 모델에 따라 작동하는 공격은 정밀도가 더 높습니다. 그러나 이론적인 개선이 항상 실용적인 것은 아닙니다. 이론적으로 더 강력한 SSE 공격은 쿼리당 5개의 로그 확률을 학습하지만 실제로는 더 많은 쿼리가 필요하고 로짓을 더 낮은 충실도로 복구해야 합니다. 이 공격은 수치적으로 불안정하기 때문에 잠재적으로 조건이 좋지 않은 행렬이 필요하고, 로짓 바이어스를 조정한 후 API를 다시 쿼리해야 하기 때문입니다. 가장 강력한 로그 확률 없는 공격은 매우 효율적이며, 로짓당 단 3.7개의 쿼리로 18비트의 정밀도를 회복합니다. 부록 F에서는 이 정밀도가 최적의 정밀도에서 얼마나 떨어져 있는지 이론적으로 분석한 결과, 2배 이내라는 것을 발견했습니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Generally, attacks that operate under stronger threat models have higher precision. But theoretical improvements are not always practical: the theoretically stronger attack from SSE that learns 5 logprobs per query in practice requires more queries and recovers logits with lower fidelity. This is because this attack is numerically unstable: it requires a potentially ill-conditioned matrix, and therefore can require re-querying the API after adjusting the logit bias. Our strongest logprob-free attack is highly efficient, and recovers \(18\) bits of precision at just \(3.7\) queries per logit. In Appendix F we theoretically analyze how far this is from optimal, and find it is within a factor of two. [|assistant|]

모델 학습에 사용된 하이퍼파라미터는 다음과 같습니다. 시퀀스 길이는 2048, 전역 Batch Size는 128, 최대 Learning Rate는 \(2e^{-5}\)입니다. 과적합을 방지하기 위해 가중치 감쇠는 0.1의 값으로 적용되며, Gradient Clipping은 1.0의 제한으로 적용됩니다.[|endofturn|]

모델 학습에 사용된 하이퍼파라미터는 다음과 같습니다. 시퀀스 길이는 2048, 전역 배치 크기는 128, 최대 학습 속도는 \(2e^{-5}\)입니다. 과적합을 방지하기 위해 가중치 감쇠는 0.1의 값으로 적용되며, 그라디언트 클리핑은 1.0의 제한으로 적용됩니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]The hyperparameters used for model training are as follows: sequence length is 2048, global batch size is 128, and the maximum learning rate is \(2e^{-5}\). To prevent overfitting, weight decay is applied with a value of 0.1, and gradient clipping is enforced with a limit of 1.0. [|assistant|]

우리 모델의 아키텍처는 Transformer Decoder(Vaswani et al., 2017)를 기반으로 합니다. 아키텍처를 정의하는 주요 파라미터는 표 1에 나와 있으며, 모델은 4096 토큰의 상당한 컨텍스트 길이에 대해 학습되고 있습니다. 기본 요소 외에도, 우리의 접근 방식은 원래의 Transformer에 비해 몇 가지 개선 사항을 통합합니다.[|endofturn|]

우리 모델의 아키텍처는 트랜스포머 디코더(Vaswani et al., 2017)를 기반으로 합니다. 아키텍처를 정의하는 주요 파라미터는 표 1에 나와 있으며, 모델은 4096 토큰의 상당한 컨텍스트 길이에 대해 학습되고 있습니다. 기본 요소 외에도, 우리의 접근 방식은 원래의 트랜스포머에 비해 몇 가지 개선 사항을 통합합니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Our model's architecture is based on the transformer decoder (Vaswani et al., 2017). The key parameters that define our architecture are shown in Table 1, with the models being trained on a substantial context length of 4096 tokens. Beyond the foundational elements, our approach integrates several improvements compared to the original transformer. [|assistant|]

**LLM summarizers는 어떤 종류의 충실도 오류를 범하나요? (SS3)** 표의 질적 분석에 따르면, 불충실하다고 표시된 대부분의 주장은 _이벤트_ 또는 _상태_와 관계에 대한 인물의 _상태_와 관련이 있는 것으로 나타났습니다. 또한 이러한 대부분의 주장은 증거에 대한 multi-hop reasoning을 통해서만 무효화할 수 있어, 이 작업의 복잡성과 기존의 fact-verification 설정과의 차이점을 강조합니다(Min et al., 2023; Kamoi et al., 2023).[|endofturn|]

**LLM 요약기는 어떤 종류의 충실도 오류를 범하나요? (SS3)** 표의 질적 분석에 따르면, 불충실하다고 표시된 대부분의 주장은 _이벤트_ 또는 _상태_와 관계에 대한 인물의 _상태_와 관련이 있는 것으로 나타났습니다. 또한 이러한 대부분의 주장은 증거에 대한 다중 홉 추론을 통해서만 무효화할 수 있어, 이 작업의 복잡성과 기존의 사실 검증 설정과의 차이점을 강조합니다(Min et al., 2023; Kamoi et al., 2023).[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]**What kinds of faithfulness errors do LLM summarizers make? (SS3)** A qualitative analysis of Tables reveals that the majority of claims marked as unfaithful are related to _events_ or _states_ of characters and relationships. Furthermore, most of these claims can only be invalidated via multi-hop reasoning over the evidence, highlighting the task's complexity and its difference from existing fact-verification settings (Min et al., 2023; Kamoi et al., 2023). [|assistant|]

_Remark C.3_.: 깨끗한 데이터는 항상 도움이 된다는 결론을 내리겠습니다. 왜냐하면 \(E_{test}\)는 \(\pi\)의 감소 함수이기 때문입니다. 실제로, (26)에서 \(\pi\)에 대한 도함수는 \(E^{\prime}_{test}(\pi)=-T\sum_{i\geq k+1}p_{i}^{2}(1-\pi p_{i})^{T-1}\leq 0\)입니다. [|endofturn|]

_Remark C.3_.: (26)에서 \(\pi\)에 대한 도함수는 \(E^{\prime}_{test}(\pi)=-T\sum_{i\geq k+1}p_{i}^{2}(1-\pi p_{i})^{T-1}\leq 0\).[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]_Remark C.3_.: Let us conclude by saying that clean data always helps, since \(E_{test}\) is decreasing function of \(\pi\). Indeed, from (26), the derivative w.r.t \(\pi\) is \(E^{\prime}_{test}(\pi)=-T\sum_{i\geq k+1}p_{i}^{2}(1-\pi p_{i})^{T-1}\leq 0\). [|assistant|]

아이리스의 여정은 동생과 로만을 찾는 여정이자 갈등과 신의 조작에 맞선 인간의 회복력을 탐구하는 여정입니다.[|endofturn|]

20. 아이리스의 여정은 동생과 로만을 찾는 여정이자 갈등과 신의 조작에 맞선 인간의 회복력을 탐구하는 여정입니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]20. Iris’s journey is a search for her brother and Roman, and an exploration of human resilience in the face of conflict and divine manipulation. [|assistant|]

대규모 언어 모델 데이터 세트. 우리는 우리의 결과가 모델 아키텍처와 무관하다고 생각하지만, Transformer 기반의 decoder 전용 언어 모델(Vaswani et al., 2017)에 대해 개방형 텍스트 생성을 위해 분석을 수행합니다. 현재 최신 모델은 인터넷 텍스트로 학습됩니다. 예를 들어, GPT-2 제품군(Radford et al., 2019)은 Reddit에서 높은 순위를 받은 웹 문서 데이터 세트인 WebText로 학습되지만, 이 데이터 세트는 공개적으로 사용할 수 없습니다. 일반적인 데이터 세트의 시작점은 공개 웹 페이지의 색인인 CommonCrawl입니다. CommonCrawl에서 학습된 모델에는 책 데이터 세트가 추가된 GPT-3(Brown et al., 2020), 뉴스 도메인으로 필터링된 제한된 하위 집합인 RealNews에 대한 GROVER(Zellers et al., 2019), C4라는 CommonCrawl의 정리된 버전에 대한 T5(Raffel et al., 2020) 등이 있습니다. 다른 모델은 더 엄선된 인터넷 소스로 학습됩니다. 예를 들어 Guo et al. (2020)은 40개 언어의 고품질 처리된 Wikipedia 텍스트를 사용하여 단어 141.4M 파라미터 언어 모델을 단어로 학습했습니다. 비영어 모델은 반드시 다른 데이터 세트를 사용해야 하는데, 예를 들어 Zeng et al. (2021)은 CommonCrawl 및 기타 소스에서 정리 및 필터링된 중국어 문서의 비공개 코퍼스로 학습한 최대 200B 파라미터의 모델 제품군인 PANGU-\(\alpha\)를 소개했습니다. 이러한 데이터 세트 중 상당수가 공개되지 않았기 때문에 Wiki-40B, C4, RealNews, 그리고 일반적으로 평가에 사용되는 소규모 데이터 세트인 One Billion Word Language Model Benchmark(Chelba et al., 2013) 등 세 가지 데이터 세트를 중복 제거했습니다.[|endofturn|]

대규모 언어 모델 데이터 세트.우리는 우리의 결과가 모델 아키텍처와 무관하다고 생각하지만, 트랜스포머 기반의 디코더 전용 언어 모델(Vaswani et al., 2017)에 대해 개방형 텍스트 생성을 위해 분석을 수행합니다. 현재 최신 모델은 인터넷 텍스트로 학습됩니다. 예를 들어, GPT-2 제품군(Radford et al., 2019)은 Reddit에서 높은 순위를 받은 웹 문서 데이터 세트인 WebText로 학습되지만, 이 데이터 세트는 공개적으로 사용할 수 없습니다. 일반적인 데이터 세트의 시작점은 공개 웹 페이지의 색인인 CommonCrawl입니다. CommonCrawl에서 학습된 모델에는 책 데이터 세트가 추가된 GPT-3(Brown et al., 2020), 뉴스 도메인으로 필터링된 제한된 하위 집합인 RealNews에 대한 GROVER(Zellers et al., 2019), C4라는 공통 크롤링의 정리된 버전에 대한 T5(Raffel et al., 2020) 등이 있습니다. 다른 모델은 더 엄선된 인터넷 소스로 학습됩니다. 예를 들어 Guo et al. (2020)은 40개 언어의 고품질 처리된 위키백과 텍스트를 사용하여 단어 141.4M 파라미터 언어 모델을 단어로 학습했습니다. 비영어 모델은 반드시 다른 데이터 세트를 사용해야 하는데, 예를 들어 Zeng et al. (2021)은 공통 크롤링 및 기타 소스에서 정리 및 필터링된 중국어 문서의 비공개 코퍼스로 학습한 최대 200B 파라미터의 모델 제품군인 PANGU-\(\알파\)를 소개했습니다. 이러한 데이터 세트 중 상당수가 공개되지 않았기 때문에 위키-40B, C4, 리얼뉴스, 그리고 일반적으로 평가에 사용되는 소규모 데이터 세트인 10억 단어 언어 모델 벤치마크(Chelba et al., 2013) 등 세 가지 데이터 세트를 중복 제거했습니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Large language model datasets.While we believe our results are independent of model architecture, we perform our analysis on Transformer-based decoder-only language models (Vaswani et al., 2017) trained for open-ended text generation. These current state-of-the-art models are trained on internet text. For example, the GPT-2 family of models Radford et al. (2019) is trained on WebText, a dataset of web documents highly ranked on Reddit--however this dataset was not made available publicly. A common dataset starting point is CommonCrawl, an index of public webpages. Among the models trained on CommonCrawl include GPT-3 (Brown et al., 2020) with the addition of book datasets, GROVER (Zellers et al., 2019) on a restricted subset filtered to news domains called RealNews, and T5 (Raffel et al., 2020) on a cleaned version of common crawl called C4. Other models are trained on more curated Internet sources--for example Guo et al. (2020) used high quality processed Wikipedia text from 40 different languages to train monolingual 141.4M parameter language models. Non-English models necessarily use different datasets; Zeng et al. (2021) for instance introduced PANGU-\(\alpha\), a family of models with up to 200B parameters that were trained on a non-public corpus of cleaned and filtered Chinese-language documents from CommonCrawl and other sources. Since many of these datasets are not public, we deduplicate three that are: Wiki-40B, C4, and RealNews-as well as the One Billion Word Language Model Benchmark (Chelba et al., 2013), a smaller dataset commonly used for evaluation. [|assistant|]

모든 작업에 대한 집계된 결과(표 3)와 선택된 단일 작업에 대한 결과(표 4)를 모두 제시합니다. 표 3에 제시된 모든 작업의 평균 성능의 경우, 언어별로 다른 작업 수를 고려하여 weighted average를 계산했습니다. 특히 각 언어에 대해 모든 작업에 대한 평균을 계산한 다음 모든 언어 평균에 대한 평균을 계산했습니다.[|endofturn|]

모든 작업에 대한 집계된 결과(표 3)와 선택된 단일 작업에 대한 결과(표 4)를 모두 제시합니다. 표 3에 제시된 모든 작업의 평균 성능의 경우, 언어별로 다른 작업 수를 고려하여 가중 평균을 계산했습니다. 특히 각 언어에 대해 모든 작업에 대한 평균을 계산한 다음 모든 언어 평균에 대한 평균을 계산했습니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]We present both, aggregated results across all tasks (Table 3) and results for selected single tasks (Table 4). For the average performance across all tasks presented in Table 3, we computed weighted average to take into account the different number of tasks per language. In particular, we computed for each language the mean across all tasks, and then computed the mean over all language-means. [|assistant|]

언어 모델의 반전에 대한 연구는 특히 제공업체가 가치 있거나 개인 정보를 포함하는 prompts를 유지하는 경우 서비스로서의 모델 배포와 관련된 윤리적 의미를 강조합니다. 언어 모델의 사용자는 콘텐츠 생성 및 정보 검색을 포함한 다양한 목적으로 이러한 서비스에 의존할 수 있으므로 영향을 받을 수 있습니다. prompt 비밀은 사용자가 상호 작용하는 시스템에 대한 신뢰를 손상시켜 서비스 자체의 투명성과 무결성에 대한 우려를 불러일으킬 수 있습니다.[|endofturn|]

언어 모델의 반전에 대한 연구는 특히 제공업체가 가치 있거나 개인 정보를 포함하는 프롬프트를 유지하는 경우 서비스로서의 모델 배포와 관련된 윤리적 의미를 강조합니다. 언어 모델의 사용자는 콘텐츠 생성 및 정보 검색을 포함한 다양한 목적으로 이러한 서비스에 의존할 수 있으므로 영향을 받을 수 있습니다. 프롬프트 비밀은 사용자가 상호 작용하는 시스템에 대한 신뢰를 손상시켜 서비스 자체의 투명성과 무결성에 대한 우려를 불러일으킬 수 있습니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Our research on the inversion of language models underscores the ethical implications surrounding the deployment of such models as services, particularly when providers maintain prompts that are valuable or contain personal information. Users of language models may be affected as they rely on these services for various purposes, including content generation and information retrieval. Prompt secrecy can compromise users' trust in the systems they interact with, raising concerns about the transparency and integrity of the services themselves. [|assistant|]

그림 5: 문제의 전제를 변경하여 "three"이라는 단어를 "five"로 변경했을 때의 영향을 조사합니다.[|endofturn|]

그림 5: 문제의 전제를 변경하여 "3"이라는 단어를 "5"로 변경했을 때의 영향을 조사합니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Figure 5: We alter the premise in the question to investigate the impact of changing the word “three” to “five”. [|assistant|]

피드백을 제공하고, 논문에 기여하고, v0.5 benchmark를 만드는 데 도움을 주었거나 WG에 참여해준 모든 분들께 감사드립니다. 특히 MLCommons 팀에 감사드립니다.[|endofturn|]

피드백을 제공하고, 논문에 기여하고, v0.5 벤치마크를 만드는 데 도움을 주었거나 WG에 참여해준 모든 분들께 감사드립니다. 특히 MLCommons 팀에 감사드립니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]We thank everyone who has given feedback, contributed to the paper, helped create the v0.5 benchmark, or has joined the WG. We particularly thank the team at MLCommons. [|assistant|]

요약하자면, LLM 평가에 대한 기존 연구의 분류(표 X)는 주로 평가 methodology와 모델 유형이라는 두 가지 주요 차원을 기반으로 하며, 이를 테스트 능력으로 더욱 확장할 수 있습니다. LLM 평가를 위한 기존 작업의 분류 또는 분류법에 대해서도 논의한 최근 연구 [733, 734]가 있습니다.[|endofturn|]

요약하자면, LLM 평가에 대한 기존 연구의 분류(표 X)는 주로 평가 방법론과 모델 유형이라는 두 가지 주요 차원을 기반으로 하며, 이를 테스트 능력으로 더욱 확장할 수 있습니다. LLM 평가를 위한 기존 작업의 분류 또는 분류법에 대해서도 논의한 최근 연구 [733, 734]가 있습니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]To summarize, our categorization (Table X) of existing work on LLM evaluation is mainly based on two major dimensions, namely evaluation methodology and model type, which are further extended with the test abilities. There are some recent work [733, 734] that also has discussed the categorization or taxonomies of existing work for LLM evaluation. [|assistant|]

표 3은 영어 평가 작업에 대한 각 모델의 평균 정확도와 독일어 Hella Swag 평가 작업에 대한 정규화된 정확도를 보고합니다. 평가가 거의 무작위로 정확도가 낮기 때문에 영어 평가 점수의 평균은 유의미하지 않으므로 보고하지 않습니다(표 11 참조). 영어 모델이 영어 평가에서 독일어 모델보다 일관되게 높은 성능을 보이는 것을 관찰할 수 있습니다. 그러나 25% replay 독일어 모델과 함께 사용된 강력한 replay는 이러한 격차를 줄이는 데 도움이 됩니다. 영어 모델의 영어 평가 성능은 최고값과 최저값 사이의 1.19 범위로 매우 유사합니다. 이 크기의 기본 모델에 대한 평가 과정에 상당한 노이즈가 있다고 생각하며, 이러한 차이는 유의미하지 않을 것으로 생각합니다. 하지만 Learning Rate 재가열, Learning Rate 재감쇠 및 replay로 지속적으로 사전 학습된 모델은 \(\mathcal{D}_{0}\cup\mathcal{D}_{1}\) 모델을 개선합니다. 영어 평가 작업에서 독일어로 훈련된 모델을 평가할 때, 더 많은 replay를 사용하는 모델에 대해 일관된 개선 사항을 확인할 수 있습니다. 다시 한 번 Learning Rate 재가열, Learning Rate 재감쇠 및 replay로 훈련된 모델이 \(\mathcal{D}_{0}\cup\mathcal{D}_{1}\) 모델을 개선한다는 점에 주목합니다. 독일어 Hella Swag 결과를 살펴보면 독일어 모델이 영어 모델보다 일관되게 우수한 성능을 발휘하는 것을 관찰할 수 있습니다. 독일어로 훈련된 모델 중에서도 지속적으로 훈련된 모델이 합집합 훈련 모델과 독일어로만 훈련된 모델보다 우수한 성능을 보였습니다.[|endofturn|]

표 3은 영어 평가 작업에 대한 각 모델의 평균 정확도와 독일어 헬라 스웩 평가 작업에 대한 정규화된 정확도를 보고합니다. 평가가 거의 무작위로 정확도가 낮기 때문에 영어 평가 점수의 평균은 유의미하지 않으므로 보고하지 않습니다(표 11 참조). 영어 모델이 영어 평가에서 독일어 모델보다 일관되게 높은 성능을 보이는 것을 관찰할 수 있습니다. 그러나 25% 리플레이 독일어 모델과 함께 사용된 강력한 리플레이는 이러한 격차를 줄이는 데 도움이 됩니다. 영어 모델의 영어 평가 성능은 최고값과 최저값 사이의 1.19 범위로 매우 유사합니다. 이 크기의 기본 모델에 대한 평가 과정에 상당한 노이즈가 있다고 생각하며, 이러한 차이는 유의미하지 않을 것으로 생각합니다. 하지만 LR 재가열, LR 재감쇠 및 리플레이로 지속적으로 사전 학습된 모델은 \(\mathcal{D}_{0}\cup\mathcal{D}_{1}\) 모델을 개선합니다. 영어 평가 작업에서 독일어로 훈련된 모델을 평가할 때, 더 많은 리플레이를 사용하는 모델에 대해 일관된 개선 사항을 확인할 수 있습니다. 다시 한 번 LR 재가열, LR 재감쇠 및 리플레이로 훈련된 모델이 \(\mathcal{D}_{0}\cup\mathcal{D}_{1}\) 모델을 개선한다는 점에 주목합니다. 독일어 헬라 스웩 결과를 살펴보면 독일어 모델이 영어 모델보다 일관되게 우수한 성능을 발휘하는 것을 관찰할 수 있습니다. 독일어로 훈련된 모델 중에서도 지속적으로 훈련된 모델이 합집합 훈련 모델과 독일어로만 훈련된 모델보다 우수한 성능을 보였습니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Table 3 reports the average accuracy of each model for our English evaluation tasks and the normalized accuracy for the German Hella Swag evaluation task. We do not report the average German evaluation score as it is not informative due to evaluations having near-random chance accuracy (see Table 11). We observe that English models consistently outperform German models on the English evaluations. However, the strong replay used with the 25% replay German model helps to reduce this gap. English models' English evaluation performance is very similar with a range of 1.19 between the highest and lowest values. We suspect that there is significant noise in the evaluation process for base models of this size and believe that the differences are likely not significant. That being said, the continually pre-trained model with LR re-warming, LR re-decaying, and replay does improve on the \(\mathcal{D}_{0}\cup\mathcal{D}_{1}\) model. When evaluating German-trained models on English evaluation tasks, we see consistent improvements for models using more replay. We note that once again the model trained with LR re-warming, LR re-decaying, and replay does improve on the \(\mathcal{D}_{0}\cup\mathcal{D}_{1}\) model. Turning to the German Hella Swag results we observe that German models consistently outperform their English counterparts. Among German-trained models, the continually trained models outperform the union-trained model and the model trained exclusively on German. [|assistant|]

\(\bullet\)_Training_. 모델 크기가 매우 크기 때문에 유능한 LLM을 성공적으로 훈련하는 것은 매우 어렵습니다. LLM의 네트워크 파라미터를 학습하기 위해서는 분산 학습 알고리즘이 필요하며, 이 알고리즘에는 다양한 병렬 전략이 종합적으로 활용되는 경우가 많습니다. 분산 학습을 지원하기 위해 DeepSpeed [74] 및 Megatron-LM [75, 76, 77]과 같이 병렬 알고리즘의 구현과 배포를 용이하게 하기 위한 몇 가지 optimization 프레임워크가 출시되었습니다. 또한 optimization 트릭은 훈련 안정성과 모델 성능에도 중요합니다(예: 훈련 Loss 스파이크 극복을 위한 재시작 [56] 및 혼합 정밀도 훈련 [78]). 최근에는 GPT-4 [46]가 훨씬 작은 모델로 대규모 모델의 성능을 안정적으로 예측할 수 있는 특수 인프라와 optimization 방법을 개발할 것을 제안했습니다.[|endofturn|]

\(\bullet\)_Training_. 모델 크기가 매우 크기 때문에 유능한 LLM을 성공적으로 훈련하는 것은 매우 어렵습니다. LLM의 네트워크 파라미터를 학습하기 위해서는 분산 학습 알고리즘이 필요하며, 이 알고리즘에는 다양한 병렬 전략이 종합적으로 활용되는 경우가 많습니다. 분산 학습을 지원하기 위해 DeepSpeed [74] 및 Megatron-LM [75, 76, 77]과 같이 병렬 알고리즘의 구현과 배포를 용이하게 하기 위한 몇 가지 최적화 프레임워크가 출시되었습니다. 또한 최적화 트릭은 훈련 안정성과 모델 성능에도 중요합니다(예: 훈련 손실 스파이크 극복을 위한 재시작 [56] 및 혼합 정밀도 훈련 [78]). 최근에는 GPT-4 [46]가 훨씬 작은 모델로 대규모 모델의 성능을 안정적으로 예측할 수 있는 특수 인프라와 최적화 방법을 개발할 것을 제안했습니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]\(\bullet\)_Training_. Due to the huge model size, it is very challenging to successfully train a capable LLM. Distributed training algorithms are needed to learn the network parameters of LLMs, in which various parallel strategies are often jointly utilized. To support distributed training, several optimization frameworks have been released to facilitate the implementation and deployment of parallel algorithms, such as DeepSpeed [74] and Megatron-LM [75, 76, 77]. Also, optimization tricks are also important for training stability and model performance, _e.g.,_ restart to overcome training loss spike [56] and mixed precision training [78]. More recently, GPT-4 [46] proposes to develop special infrastructure and optimization methods that reliably predict the performance of large models with much smaller models. [|assistant|]

\(\bullet\)**DeepSpeed-Chat**[196]은 빠르고 비용 효율적이며 사용하기 쉬운 시스템 프레임워크로, 모델 학습 중에 전체 RLHF 프로세스를 통합할 수 있습니다. (1) ChatGPT와 유사한 모델의 훈련 및 추론 프로세스를 간소화하여 간단한 스크립트를 사용하여 여러 훈련 또는 추론 단계를 구현할 수 있도록 지원하고, (2) InstructGPT [66]의 훈련 모드를 복제하여 세 가지 훈련 단계(_즉, Supervised Fine-tuning (SFT), 보상 모델 Fine-tuning 및 RLHF)에 대한 완전한 파이프라인을 제공하며, (3) DeepSpeed의 훈련 엔진과 추론 엔진을 통합한 하이브리드 엔진(DeepSpeed HE)을 RLHF 훈련에 적용하여 훈련 모드와 추론 모드 간의 원활한 전환과 DeepSpeed Inference의 다양한 최적화 기능을 활용할 수 있는 것이 특징입니다.[|endofturn|]

\(\bullet\)**DeepSpeed-Chat**[196]은 빠르고 비용 효율적이며 사용하기 쉬운 시스템 프레임워크로, 모델 학습 중에 전체 RLHF 프로세스를 통합할 수 있습니다. (1) ChatGPT와 유사한 모델의 훈련 및 추론 프로세스를 간소화하여 간단한 스크립트를 사용하여 여러 훈련 또는 추론 단계를 구현할 수 있도록 지원하고, (2) InstructGPT [66]의 훈련 모드를 복제하여 세 가지 훈련 단계(_즉, SFT, 보상 모델 미세 조정 및 RLHF)에 대한 완전한 파이프라인을 제공하며, (3) 딥스피드의 훈련 엔진과 추론 엔진을 통합한 하이브리드 엔진(DeepSpeed HE)을 RLHF 훈련에 적용하여 훈련 모드와 추론 모드 간의 원활한 전환과 DeepSpeed Inference의 다양한 최적화 기능을 활용할 수 있는 것이 특징입니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]\(\bullet\)**DeepSpeed-Chat**[196] is a fast, cost-effective, and easy-to-use system framework that enables the integration of the complete RLHF process during model training. It is featured by three major functionalities: (1) it simplifies the training and inference process for ChatGPT-like models, enabling using a simple script to implement multiple training or inference steps; (2) it replicates the training mode of InstructGPT [66] and provides a complete pipeline for three training steps (_i.e._, SFT, reward model fine-tuning, and RLHF); (3) it integrates the training engine and inference engine of Deepspeed into a unified hybrid engine (Deepspeed HE) for RLHF training, which enables seamless switch between training and inference modes, and leveraging various optimizations from DeepSpeed Inference. [|assistant|]

대규모 언어 모델 세계에서 가장 까다로운 질문인 어떤 모델이 더 나은가를 해결하기 위해 다양한 benchmark와 leaderboard가 제안되었습니다. 그러나 이 질문에 대한 간단한 답변으로는 이 질문에 답할 수 없습니다. 답은 대규모 언어 모델의 다양한 측면에 따라 달라집니다. 섹션 V에서는 다양한 작업의 범주별 표현과 각 범주에서 가장 중요한 데이터 세트를 보여줍니다. 동일한 분류를 따르고 각 카테고리에 따른 비교를 제공합니다. 각 카테고리에 대한 비교를 제공한 후에는 다양한 작업에서 보고된 성능 지표를 평균하여 집계된 성능에 대한 광범위한 개요를 제공합니다.[|endofturn|]

대규모 언어 모델 세계에서 가장 까다로운 질문인 어떤 모델이 더 나은가를 해결하기 위해 다양한 벤치마크와 리더보드가 제안되었습니다. 그러나 이 질문에 대한 간단한 답변으로는 이 질문에 답할 수 없습니다. 답은 대규모 언어 모델의 다양한 측면에 따라 달라집니다. 섹션 V에서는 다양한 작업의 범주별 표현과 각 범주에서 가장 중요한 데이터 세트를 보여줍니다. 동일한 분류를 따르고 각 카테고리에 따른 비교를 제공합니다. 각 카테고리에 대한 비교를 제공한 후에는 다양한 작업에서 보고된 성능 지표를 평균하여 집계된 성능에 대한 광범위한 개요를 제공합니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Various benchmarks and leaderboards have been proposed to address the most challenging question in the world of large language models: Which one is better? However not a simple answer can address this question. The answer depends on various aspects of large language models. Section V shows the categorical presentation of different tasks and the most important datasets in each category. We will follow the same categorization and provide a comparison based on each category. After providing comparison for each category, we will provide a broad overview of aggregated performance by averaging the reported performance metric on different tasks. [|assistant|]

LLM 기반 자율 에이전트는 LLM의 인간과 유사한 기능을 활용하여 다양한 작업을 효과적으로 수행할 것으로 기대됩니다. 이 목표를 달성하기 위해 (1) LLM을 더 잘 활용하기 위해 어떤 architecture를 설계해야 하는지, (2) 설계된 architecture를 고려할 때 에이전트가 특정 작업을 수행하기 위한 기능을 습득할 수 있도록 하는 방법 등 두 가지 중요한 측면이 있습니다. architecture 설계의 맥락에서, 우리는 기존 연구의 체계적인 종합을 통해 포괄적인 통합 프레임워크에 이르렀습니다. 두 번째 측면에 대해서는 LLM을 Fine-tuning할지 여부에 따라 에이전트 기능 획득을 위한 전략을 요약합니다. LLM 기반 자율 에이전트를 기존 머신 러닝과 비교할 때, 에이전트 architecture를 설계하는 것은 네트워크 구조를 결정하는 것과 유사하며, 에이전트 기능 획득은 네트워크 파라미터를 학습하는 것과 유사합니다. 다음에서는 이 두 가지 측면에 대해 좀 더 자세히 소개합니다.[|endofturn|]

LLM 기반 자율 에이전트는 LLM의 인간과 유사한 기능을 활용하여 다양한 작업을 효과적으로 수행할 것으로 기대됩니다. 이 목표를 달성하기 위해 (1) LLM을 더 잘 활용하기 위해 어떤 아키텍처를 설계해야 하는지, (2) 설계된 아키텍처를 고려할 때 에이전트가 특정 작업을 수행하기 위한 기능을 습득할 수 있도록 하는 방법 등 두 가지 중요한 측면이 있습니다. 아키텍처 설계의 맥락에서, 우리는 기존 연구의 체계적인 종합을 통해 포괄적인 통합 프레임워크에 이르렀습니다. 두 번째 측면에 대해서는 LLM을 미세 조정할지 여부에 따라 에이전트 기능 획득을 위한 전략을 요약합니다. LLM 기반 자율 에이전트를 기존 머신 러닝과 비교할 때, 에이전트 아키텍처를 설계하는 것은 네트워크 구조를 결정하는 것과 유사하며, 에이전트 기능 획득은 네트워크 파라미터를 학습하는 것과 유사합니다. 다음에서는 이 두 가지 측면에 대해 좀 더 자세히 소개합니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]LLM-based autonomous agents are expected to effectively perform diverse tasks by leveraging the human-like capabilities of LLMs. In order to achieve this goal, there are two significant aspects, that is, (1) which architecture should be designed to better use LLMs and (2) give the designed architecture, how to enable the agent to acquire capabilities for accomplishing specific tasks. Within the context of architecture design, we contribute a systematic synthesis of existing research, culminating in a comprehensive unified framework. As for the second aspect, we summarize the strategies for agent capability acquisition based on whether they fine-tune the LLMs. When comparing LLM-based autonomous agents to traditional machine learning, designing the agent architecture is analogous to determining the network structure, while the agent capability acquisition is similar to learning the network parameters. In the following, we introduce these two aspects more in detail. [|assistant|]

최근 NLP 문헌에는 자연어 instructions을 따를 수 있는 모델을 구축하는 데 엄청난 양의 활동이 이루어지고 있습니다(Mishra et al., 2022; Wei et al., 2022; Sanh et al., 2022; Wang et al., 2022; Ouyang et al., 2022; Chung et al., 2022, i.a.). 이러한 발전은 두 가지 핵심 구성 요소에 의해 구동됩니다: 사전 학습된 Large Language Models (LMs)와 사람이 작성한 instruction 데이터(예: PromptSource(Bach et al., 2022) 및 SuperNaturalInstructions(Wang et al., 2022, SuperNI for short))입니다.[|endofturn|]

최근 NLP 문헌에는 자연어 명령을 따를 수 있는 모델을 구축하는 데 엄청난 양의 활동이 이루어지고 있습니다(Mishra et al., 2022; Wei et al., 2022; Sanh et al., 2022; Wang et al., 2022; Ouyang et al., 2022; Chung et al., 2022, i.a.). 이러한 발전은 두 가지 핵심 구성 요소에 의해 구동됩니다: 사전 학습된 대규모 언어 모델(LM)과 사람이 작성한 명령 데이터(예: PromptSource(Bach et al., 2022) 및 SuperNaturalInstructions(Wang et al., 2022, SuperNI for short))입니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]The recent NLP literature has witnessed a tremendous amount of activity in building models that can follow natural language instructions (Mishra et al., 2022; Wei et al., 2022; Sanh et al., 2022; Wang et al., 2022; Ouyang et al., 2022; Chung et al., 2022, i.a.). These developments are powered by two key components: large pretrained language models (LM) and human-written instruction data (e.g., PromptSource (Bach et al., 2022) and SuperNaturalInstructions (Wang et al., 2022, SuperNI for short)). [|assistant|]

**모델.** GPT-3(Brown et al., 2020)과 유사한 구성 및 하이퍼파라미터를 기반으로 1B, 3B 및 7B 파라미터 autoregressive decoder-only 모델을 훈련하며, 주로 ALiBi(Press et al., 2021)를 사용하는 것에서 차이가 납니다. 사용자 지정 코드베이스에서 FlashAttention(Dao et al., 2022)을 사용합니다. pretraining setup으로 인한 편차를 제어하기 위해 The Pile과 RefinedWeb 모두에서 내부 모델을 훈련했으며, The Pile 모델이 다른 모델과 동일한 성능을 발휘하는 것으로 나타났습니다. 소규모 및 절제 연구(4.2 절의 전반부, 4.3 절)의 경우, 1B 및 3B 파라미터 모델에 대해 각각 27B 및 60B 토큰에 대해 Hoffmann 등(2022)의 scaling laws에 따라 최적화를 위해 모델을 훈련합니다. 저희 접근 방식을 보여주는 주요 실험(4.2절의 Falcon-RW 모델)의 경우, 인기 있는 공개 모델(Brown et al., 2020; Wang and Komatuszaki, 2021; Scao et al., 2022)에 맞춰 350GT까지 모델을 훈련합니다. 최근에 도입된 LLaMA 모델(Touvron et al., 2023)은 가장 작은 모델이 가장 큰 모델보다 2.5배 더 많은 컴퓨팅으로 훈련되었기 때문에 데이터 세트별로 의미 있는 비교를 방해하므로 비교하지 않았습니다. 모델 및 비교 대상 pretraining 데이터 세트에 대한 자세한 개요는 부록 F를 참조하세요.[|endofturn|]

**모델.** GPT-3(Brown et al., 2020)과 유사한 구성 및 하이퍼파라미터를 기반으로 1B, 3B 및 7B 파라미터 자동 회귀 디코더 전용 모델을 훈련하며, 주로 ALiBi(Press et al., 2021)를 사용하는 것에서 차이가 납니다. 사용자 지정 코드베이스에서 FlashAttention(Dao et al., 2022)을 사용합니다. 트레일링 스택업으로 인한 편차를 제어하기 위해 더 파일과 RefinedWeb 모두에서 내부 모델을 훈련했으며, 더 파일 모델이 다른 모델과 동일한 성능을 발휘하는 것으로 나타났습니다. 소규모 및 절제 연구(4.2 절의 전반부, 4.3 절)의 경우, 1B 및 3B 파라미터 모델에 대해 각각 27B 및 60B 토큰에 대해 Hoffmann 등(2022)의 스케일링 법칙에 따라 최적화를 위해 모델을 훈련합니다. 저희 접근 방식을 보여주는 주요 실험(4.2절의 Falcon-RW 모델)의 경우, 인기 있는 공개 모델(Brown et al., 2020; Wang and Komatuszaki, 2021; Scao et al., 2022)에 맞춰 350GT까지 모델을 훈련합니다. 최근에 도입된 LLaMA 모델(Touvron et al., 2023)은 가장 작은 모델이 가장 큰 모델보다 2.5배 더 많은 컴퓨팅으로 훈련되었기 때문에 데이터 세트별로 의미 있는 비교를 방해하므로 비교하지 않았습니다. 모델 및 비교 대상 전처리 데이터 세트에 대한 자세한 개요는 부록 F를 참조하세요.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]**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. [|assistant|]

우리의 노력은 모바일 배포를 위한 optimization에 초점을 맞춘 것이 아니라 모바일 플랫폼에서 MiniCPM의 inference 기능의 실용성을 입증하는 데 중점을 두었다는 점을 강조하는 것이 중요합니다. 모바일 환경에서 MiniCPM과 같은 대규모 모델의 성능을 향상시키기 위해 개발자 커뮤니티의 추가 optimization 및 업데이트를 장려합니다.[|endofturn|]

우리의 노력은 모바일 배포를 위한 최적화에 초점을 맞춘 것이 아니라 모바일 플랫폼에서 MiniCPM의 추론 기능의 실용성을 입증하는 데 중점을 두었다는 점을 강조하는 것이 중요합니다. 모바일 환경에서 MiniCPM과 같은 대규모 모델의 성능을 향상시키기 위해 개발자 커뮤니티의 추가 최적화 및 업데이트를 장려합니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]It is important to emphasize that our efforts did not focus on optimization for mobile deployment, but rather on demonstrating the practicality of MiniCPM's inference capabilities on mobile platforms. We encourage further optimization and updates by the developer community to enhance the performance of large models like MiniCPM in mobile contexts. [|assistant|]

도출된 병력, 진단 정확도, 관리 계획의 적절성 및 근거, 관계 구축, 개인에 대한 존중, 의사소통 효율성과 같은 환자 중심적 고려 사항 [20]. 의학에서 LLMs의 대화 잠재력을 실현하려면 임상의와 환자 간의 병력 청취 및 진단 대화에 고유한 다음과 같은 특성에 대해 의료 AI 시스템의 개발 및 평가를 더 잘 최적화해야 할 미충족 수요가 상당히 존재합니다.[|endofturn|]

도출된 병력, 진단 정확도, 관리 계획의 적절성 및 근거, 관계 구축, 개인에 대한 존중, 의사소통 효율성과 같은 환자 중심적 고려 사항 [20]. 의학에서 LLM의 대화 잠재력을 실현하려면 임상의와 환자 간의 병력 청취 및 진단 대화에 고유한 다음과 같은 특성에 대해 의료 AI 시스템의 개발 및 평가를 더 잘 최적화해야 할 미충족 수요가 상당히 존재합니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]the elicited history, diagnostic accuracy, the appropriateness of management plans and their rationale, and patient-centred considerations such as relationship-building, respect for the individual and communication efficacy [20]. If the conversational potential of LLMs is to be realized in medicine, there is a significant unmet need to better optimize development and evaluation of medical AI systems for characteristics such as these, which are unique to history-taking and diagnostic dialogue between clinicians and patients. [|assistant|]

요약을 위해, 우리는 우리 시스템을 end-to-end 실행하고 Brier 점수와 관련하여 상위 1 prompt(그림 13)를 선택한다.[|endofturn|]

요약을 위해, 우리는 우리 시스템을 엔드투엔드 실행하고 Brier 점수와 관련하여 상위 1 프롬프트(그림 13)를 선택한다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]For summarization, we run our system end-to-end and pick the top 1 prompt (Figure 13) with respect to the Brier score. [|assistant|]

모든 모델은 동일한 generation 구성을 채택하며, 결정론적 decoding을 사용합니다. 일본어가 아닌 응답을 빈 텍스트로 대체하여 일본어 감지기로 ROUGE-L을 계산하여 일본어가 아닌 응답에 대해 0점을 부여합니다. 4.1절의 LLM 실험과 일관성을 유지하기 위해 이 언어 감지 작업에도 fasttext [23, 24]를 사용했습니다. 그러나 기준답변 자체에 일본어가 아닌 단어가 포함되어 있지만 일본어 텍스트에서 흔히 볼 수 있는 단어(예: "UFO"와 같이 널리 알려진 약어)가 포함된 경우는 예외로 삼았습니다. 이러한 경우 모델의 일본어가 아닌 응답은 빈 텍스트로 변환되지 않습니다.[|endofturn|]

모든 모델은 동일한 세대 구성을 채택하며, 결정론적 디코딩을 사용합니다. 일본어가 아닌 응답을 빈 텍스트로 대체하여 일본어 감지기로 ROUGE-L을 계산하여 일본어가 아닌 응답에 대해 0점을 부여합니다. 4.1절의 LLM 실험과 일관성을 유지하기 위해 이 언어 감지 작업에도 fasttext [23, 24]를 사용했습니다. 그러나 기준답변 자체에 일본어가 아닌 단어가 포함되어 있지만 일본어 텍스트에서 흔히 볼 수 있는 단어(예: "UFO"와 같이 널리 알려진 약어)가 포함된 경우는 예외로 삼았습니다. 이러한 경우 모델의 일본어가 아닌 응답은 빈 텍스트로 변환되지 않습니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]All models adopt the same generation configurations, with deterministic decoding. We compute ROUGE-L with a Japanese language detector to replace non-Japanese responses with empty texts, resulting in a score of zero for non-Japanese responses. To be consistent with our LLM experiments in Section 4.1, we also employed fasttext [23, 24] for this language detection task. However, we made an exception for cases where the ground-truth answer itself contains non-Japanese but commonly seen words in Japanese texts (e.g., a widely recognized acronym such as "UFO"). In these instances, non-Japanese responses from models are not converted to empty texts. [|assistant|]

최근 연구에 따르면 SGD 및 Adam과 같은 Optimizer는 DNN에서 흥미로운 지식 유지 속성을 가지고 있으며, 이는 CL(Lesort et al., 2023)의 규모에서 유용할 수 있으며, 소량의 리플레이만으로도 지식 축적을 촉진하는 데 충분할 수 있다는 사실이 밝혀졌습니다(Scialom et al., 2022). 이 연구에서는 이러한 접근 방식의 효율성을 활용하여 적절한 Learning Rate 스케줄링과 리플레이 정책으로 대형 언어 모델 사전 학습을 강화하고자 합니다.[|endofturn|]

최근 연구에 따르면 SGD 및 Adam과 같은 최적화 도구는 DNN에서 흥미로운 지식 유지 속성을 가지고 있으며, 이는 CL(Lesort et al., 2023)의 규모에서 유용할 수 있으며, 소량의 리플레이만으로도 지식 축적을 촉진하는 데 충분할 수 있다는 사실이 밝혀졌습니다(Scialom et al., 2022). 이 연구에서는 이러한 접근 방식의 효율성을 활용하여 적절한 학습 속도 스케줄링과 리플레이 정책으로 대형 언어 모델 사전 학습을 강화하고자 합니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Recent work shows that optimizers such as SGD and Adam have interesting knowledge retention properties in DNNs that could be beneficial at scale for CL (Lesort et al., 2023) and that just a small amount of replay could be sufficient to boost knowledge accumulation (Scialom et al., 2022). In this work, we want to benefit from the efficiency of those approaches in the context of large language models pretraining and boost them with the right learning rate scheduling and replay policy. [|assistant|]

\(\bullet\)_특정 능력을 전문화합니다._ LLM의 모델 용량은 데이터 선택과 혼합에 크게 의존하며, 특정 데이터 소스의 비율을 높여 특정 모델 능력을 향상시킬 수 있습니다[64, 212]. 예를 들어, 수학적 추론 및 코딩 능력은 각각 더 많은 수학 텍스트 및 코드 데이터로 훈련함으로써 특별히 향상될 수 있습니다. 또한, LAMBADA 데이터 세트[233]에 대한 실험 결과에 따르면, 도서 데이터의 비중을 높이면 텍스트에서 장기 종속성을 포착하는 모델 용량이 향상되고, C4 데이터 세트[C4 dataset][82]의 비중을 높이면 C4 유효성 검사 데이터 세트[C4 validation dataset][64]에서 성능이 향상되는 것으로 나타났습니다.[|endofturn|]

\(\bullet\)_특정 능력을 전문화합니다._ LLM의 모델 용량은 데이터 선택과 혼합에 크게 의존하며, 특정 데이터 소스의 비율을 높여 특정 모델 능력을 향상시킬 수 있습니다[64, 212]. 예를 들어, 수학적 추론 및 코딩 능력은 각각 더 많은 수학 텍스트 및 코드 데이터로 훈련함으로써 특별히 향상될 수 있습니다. 또한, LAMBADA 데이터 세트[233]에 대한 실험 결과에 따르면, 도서 데이터의 비중을 높이면 텍스트에서 장기 종속성을 포착하는 모델 용량이 향상되고, C4 데이터 세트[82]의 비중을 높이면 C4 유효성 검사 데이터 세트[64]에서 성능이 향상되는 것으로 나타났습니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]\(\bullet\)_Specializing the targeted abilities._ The model capacities of LLMs heavily rely on data selection and mixture, and one can boost the proportions of specific data sources to enhance certain model abilities [64, 212]. For example, the mathematical reasoning and coding abilities can be specially enhanced by training with more mathematical texts and code data, respectively. Furthermore, experimental results on the LAMBADA dataset [233] show that increasing the proportion of books data can improve the model capacity in capturing long-term dependencies from text, and increasing the proportion of the C4 dataset [82] leads to performance improvement on the C4 validation dataset [64]. [|assistant|]

1. 불안정 안즈나 2. 급성 심근경색증 3. 안정 안즈나 4. 위식도 역류 질환 (GERD) 5. 비정형 흉통 6. 연골염 7. 소화성 궤양성 질환 8. 담낭 질환 (biliary colic) 9. 공황 발작Arneiety 10.[|endofturn|]

1. 불안정 안즈나2. 급성 심근경색증3. 안정 안즈나4. 위식도 역류 질환 (GERD)5. 비정형 흉통6. 연골염7. 소화성 궤양성 질환8. 담낭 질환 (담관성 콜릭)9. 공황 발작Arneiety10.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]1. Unstable Anjna 2. Acute Myocardial Infarction 3. Stable Anjna 4. Gastroesophageal Reflux Disease (GERD) 5. Atypical Chest Pain 6. Costochonditis 7. Peptic Ulicer Disease 8. Gallbladder Disease (biliary colic) 9. Panic AttackArneiety 10. [|assistant|]

수동으로 작성된 탈옥 문자열과 비교했을 때, 우리의 접근 방식은 평균값보다 훨씬 뛰어나며 오라클 탈옥 방식과 비슷합니다. 특히, 최고의 탈옥 방법이 원시 LM에서 잘 작동하는 반면, Reinforcement Learning from Human Feedback (RLHF) 채팅 버전에서는 어떤 탈옥 방법도 작동하지 않습니다. 우리의 방법은 비채팅 모델에서 약간 더 잘 작동하는 것을 관찰합니다(\(59\) 대[|endofturn|]

수동으로 작성된 탈옥 문자열과 비교했을 때, 우리의 접근 방식은 평균값보다 훨씬 뛰어나며 오라클 탈옥 방식과 비슷합니다. 특히, 최고의 탈옥 방법이 원시 LM에서 잘 작동하는 반면, RLHF 채팅 버전에서는 어떤 탈옥 방법도 작동하지 않습니다. 우리의 방법은 비채팅 모델에서 약간 더 잘 작동하는 것을 관찰합니다(\(59\) 대[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Compared to manually written jailbreak strings, our approach is significantly better than the average value, comparable with the oracle jailbreak method. Notably, while the best jailbreak method works well on the raw LM, none of the jailbreak approaches work on the RLHF chat version. We do observe that our method works slightly better on the non-chat model (\(59\) vs. [|assistant|]

**LLM summarizers가 충실성 외에 저지르는 다른 오류는 무엇인가요? (SS5)** 표에 요약 수준의 자유 형식 주석을 모두 코딩한 결과, 주석 작성자가 중요 정보의 _누락_을 자주 지적하는 것을 발견했습니다. 저서 길이의 요약에서 최초의 누락 오류 분류법을 개발하여 모든 LLM에서 핵심 사건, 세부 사항 및 주제가 자주 누락되는 것을 관찰했습니다. 또한 다른 콘텐츠 선택 오류도 관찰했습니다. 예를 들어, 가장 강력한 요약기인 Claude-3-Opus와 GPT-4-Turbo는 책의 시작 부분에 치우치지 않고 책의 마지막 부분에 있는 콘텐츠를 지나치게 강조하는 경우가 많았습니다.[|endofturn|]

**LLM 요약기가 충실성 외에 저지르는 다른 오류는 무엇인가요? (SS5)** 표에 요약 수준의 자유 형식 주석을 모두 코딩한 결과, 주석 작성자가 중요 정보의 _누락_을 자주 지적하는 것을 발견했습니다. 저서 길이의 요약에서 최초의 누락 오류 분류법을 개발하여 모든 LLM에서 핵심 사건, 세부 사항 및 주제가 자주 누락되는 것을 관찰했습니다. 또한 다른 콘텐츠 선택 오류도 관찰했습니다. 예를 들어, 가장 강력한 요약기인 Claude-3-Opus와 GPT-4-Turbo는 책의 시작 부분에 치우치지 않고 책의 마지막 부분에 있는 콘텐츠를 지나치게 강조하는 경우가 많았습니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]**What other errors, beyond faithfulness, do LLM summarizers make? (SS5)** By coding all of the summary-level free-form comments in Tables, we find that annotators frequently point out _omissions_ of critical information. We develop the first taxonomy of omission errors in book-length summarization and observe that key events, details, and themes are frequently omitted by all LLMs. We also observe other content selection errors: for example, even our strongest summarizers, Claude-3-Opus and GPT-4-Turbo, over-emphasize content towards the end of books to the detriment of the beginning. [|assistant|]

스케일링 법칙은 사전 학습 Loss에 초점을 맞추고 있지만, 다운스트림 작업의 성능에 미치는 스케일링 효과는 지금까지 연구가 거의 이루어지지 않았습니다. Emergent abilities[47]는 큰 LMs에는 존재하지만 작은 LMs에는 존재하지 않는 능력으로 정의됩니다. 이러한 능력의 존재는 최근 두 가지 이유로 이의를 제기하고 있습니다. 첫째, 충분한 수의 토큰으로 훈련된 소규모 LMs이 emergent abilities가 주장된 작업에서 대규모 모델보다 뛰어난 성능을 발휘할 수 있습니다[44; 45; 19]. 예를 들어, 컴퓨팅 리소스가 적은 LLaMA-13B[44]는 MMLU[14]에서 GPT-3(175B)보다 뛰어난 성능을 발휘할 수 있습니다. 둘째, [37]은 특정 데이터 세트를 평가하기 위해 선택된 비선형 또는 불연속적인 메트릭으로 인해 emergent abilities가 나타나는 것이지, 더 큰 모델의 근본적인 변화가 아닌 것으로 주장합니다.[|endofturn|]

스케일링 법칙은 사전 학습 손실에 초점을 맞추고 있지만, 다운스트림 작업의 성능에 미치는 스케일링 효과는 지금까지 연구가 거의 이루어지지 않았습니다. 새로운 능력[47]은 큰 LM에는 존재하지만 작은 LM에는 존재하지 않는 능력으로 정의됩니다. 이러한 능력의 존재는 최근 두 가지 이유로 이의를 제기하고 있습니다. 첫째, 충분한 수의 토큰으로 훈련된 소규모 LM이 새로운 능력이 주장된 작업에서 대규모 모델보다 뛰어난 성능을 발휘할 수 있습니다[44; 45; 19]. 예를 들어, 컴퓨팅 리소스가 적은 LLaMA-13B[44]는 MMLU[14]에서 GPT-3(175B)보다 뛰어난 성능을 발휘할 수 있습니다. 둘째, [37]은 특정 데이터 세트를 평가하기 위해 선택된 비선형 또는 불연속적인 메트릭으로 인해 새로운 능력이 나타나는 것이지, 더 큰 모델의 근본적인 변화가 아닌 것으로 주장합니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]While scaling laws focus on the pre-training loss, the scaling effect on the performance of downstream tasks has thus far less studied. Emergent abilities [47] are defined as abilities that present in larger LMs but not present in smaller one. The existence of such abilities is recently challenged for two reasons. First, small LMs trained on a sufficient number of tokens can outperform large models on tasks with claimed emergent abilities [44; 45; 19]. For example, LLaMA-13B with less compute [44] can outperform GPT-3 (175B) on MMLU [14]. Second, [37] claim that emergent abilities appear due to the nonlinear or discontinuous metrics selected to evaluate certain datasets, rather than from a fundamental change in larger models. [|assistant|]

린팅 쉬우, 아디야 바루아, 노아 콘스탄트, 라미 알-르푸, 샤란 나랑, 미히르 칼레, 아담 로버츠, 콜린 라펠. 2022. Byt5: 사전 학습된 바이트 대 바이트 모델로 토큰 없는 미래를 향하여. _컴퓨터 언어학 협회 트랜잭션_, 10:291-306. * 양 등(2019) 양인페이, 장위안, 타르 크리스, Baldridge 제이슨. 2019. PAWS-X: 의역 식별을 위한 교차 언어적 적대 데이터 세트. _2019 자연어 처리 경험 방법 및 제9회 국제 공동 자연어 처리 컨퍼런스(EMNLP-IJCNLP) 논문집_, 페이지 3687-3692, 홍콩, 중국. 컴퓨터 언어학 협회. * 예헤젤과 핀터(2023) 샤케드 예헤젤과 유발 핀터. 2023. 서브워드 어휘에 컨텍스트 통합. _EACL_, 623-635페이지. 컴퓨터 언어학 협회. * 유 등(2023) 유리리, 다니엘 시미그, 콜린 플래허티, 아르멘 아가자냐, 루크 제틀모이어, 마이크 루이스. 2023. Megabyte: 다중 스케일 Transformer로 백만 바이트 시퀀스 예측. _arXiv preprint arXiv:2305.07185_. * 셀러스 등(2019) 로완 셀러스, 아리 홀츠만, 요나탄 비스크, 알리 파르하디, 최예진. 2019. 헬라스왐: 기계가 정말 문장을 끝낼 수 있을까? _ACL (1)_, 페이지 4791-4800. 컴퓨터 언어학 협회. * 장 등(2022) 장시위에, 비슈라브 차우다리, 고얄 나만, 제임스 크로스, 위첵 기욤, 모히트 반살, 프란시스코 구즈만. 2022. 다국어 토큰화기 훈련에서 언어 불균형에 대한 신경 기계 번역의 강건성은 어느 정도인가? _미국 오를랜도에서 열린 제15회 양차례 협회 for 머신 트랜슬레이션 인 더 아메리카스(Volume 1: 연구 트랙) 컨퍼런스 논문집_, 97-116페이지, 미국 오를랜도. 머신 트랜슬레이션 인 더 아메리카스 협회.[|endofturn|]

린팅 쉬우, 아디야 바루아, 노아 콘스탄트, 라미 알-르푸, 샤란 나랑, 미히르 칼레, 아담 로버츠, 콜린 라펠. 2022. Byt5: 사전 학습된 바이트 대 바이트 모델로 토큰 없는 미래를 향하여. _컴퓨터 언어학 협회 트랜잭션_, 10:291-306. * 양 등(2019) 양인페이, 장위안, 타르 크리스, Baldridge 제이슨. 2019. PAWS-X: 의역 식별을 위한 교차 언어적 적대 데이터 세트. _2019 자연어 처리 경험 방법 및 제9회 국제 공동 자연어 처리 컨퍼런스(EMNLP-IJCNLP) 논문집_, 페이지 3687-3692, 홍콩, 중국. 컴퓨터 언어학 협회. * 예헤젤과 핀터(2023) 샤케드 예헤젤과 유발 핀터. 2023. 서브워드 어휘에 컨텍스트 통합. _EACL_, 623-635페이지. 컴퓨터 언어학 협회. * 유 등(2023) 유리리, 다니엘 시미그, 콜린 플래허티, 아르멘 아가자냐, 루크 제틀모이어, 마이크 루이스. 2023. 메가바이트: 다중 스케일 트랜스포머로 백만 바이트 시퀀스 예측. _arXiv preprint arXiv:2305.07185_. * 셀러스 등(2019) 로완 셀러스, 아리 홀츠만, 요나탄 비스크, 알리 파르하디, 최예진. 2019. 헬라스왐: 기계가 정말 문장을 끝낼 수 있을까? ACL (1)_, 페이지 4791-4800. 컴퓨터 언어학 협회. * 장 등(2022) 장시위에, 비슈라브 차우다리, 고얄 나만, 제임스 크로스, 위첵 기욤, 모히트 반살, 프란시스코 구즈만. 2022. 다국어 토큰화기 훈련에서 언어 불균형에 대한 신경 기계 번역의 강건성은 어느 정도인가? _미국 오를랜도에서 열린 제15회 양차례 협회 for 머신 트랜슬레이션 인 더 아메리카스(Volume 1: 연구 트랙) 컨퍼런스 논문집_, 97-116페이지, 미국 오를랜도. 머신 트랜슬레이션 인 더 아메리카스 협회.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Linting Xue, Aditya Barua, Noah Constant, Rami Al-Rfou, Sharan Narang, Mihir Kale, Adam Roberts, and Colin Raffel. 2022. Byt5: Towards a token-free future with pre-trained byte-to-byte models. _Transactions of the Association for Computational Linguistics_, 10:291-306. * Yang et al. (2019) Yinfei Yang, Yuan Zhang, Chris Tar, and Jason Baldridge. 2019. PAWS-X: A cross-lingual adversarial dataset for paraphrase identification. In _Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing (EMNLP-IJCNLP)_, pages 3687-3692, Hong Kong, China. Association for Computational Linguistics. * Yehezkel and Pinter (2023) Shaked Yehezkel and Yuval Pinter. 2023. Incorporating context into subword vocabularies. In _EACL_, pages 623-635. Association for Computational Linguistics. * Yu et al. (2023) Lili Yu, Daniel Simig, Colin Flaherty, Armen Aghajanyan, Luke Zettlemoyer, and Mike Lewis. 2023. Megabyte: Predicting million-byte sequences with multiscale transformers. _arXiv preprint arXiv:2305.07185_. * Zellers et al. (2019) Rowan Zellers, Ari Holtzman, Yonatan Bisk, Ali Farhadi, and Yejin Choi. 2019. Hellaswag: Can a machine really finish your sentence? In _ACL (1)_, pages 4791-4800. Association for Computational Linguistics. * Zhang et al. (2022) Shiyue Zhang, Vishrav Chaudhary, Naman Goyal, James Cross, Guillaume Wenzek, Mohit Bansal, and Francisco Guzman. 2022. How robust is neural machine translation to language imbalance in multilingual tokenizer training? In _Proceedings of the 15th biennial conference of the Association for Machine Translation in the Americas (Volume 1: Research Track)_, pages 97-116, Orlando, USA. Association for Machine Translation in the Americas. [|assistant|]

합성 데이터의 많은 이점 중 하나는 대규모로 생성할 수 있어 AI 모델을 위한 풍부한 학습 및 테스트 데이터를 제공할 수 있다는 것입니다. 이는 실제 데이터가 부족하거나 확보하기 어려운 분야(예: 모든 조건을 포괄하는 날씨 데이터(Lam et al., 2023; Li et al., 2023))에서 특히 유용합니다. 둘째, 합성 데이터는 제어된 변형을 도입하여 다양한 클래스의 균형 잡힌 표현을 보장하는 등 특정 요구 사항에 맞게 조정할 수 있습니다(예: 다국어 언어 학습에서 저자원 언어의 가중치 상향(Przystupa and Abdul-Mageed, 2019)). 이러한 수준의 데이터 특성 제어는 모델 성능과 generalization을 개선할 수 있습니다. 셋째, 합성 데이터는 민감한 개인 정보가 포함되지 않은 익명화 또는 비식별 데이터 세트를 생성하여 개인정보 보호 문제를 완화하는 데 도움이 될 수 있습니다(El Emam et al., 2020; Howe et al., 2017). 이는 환자의 개인정보 보호가 가장 중요한 의료 분야에서 매우 중요합니다(Dahmen and Cook, 2019; Wei et al., 2019).[|endofturn|]

합성 데이터의 많은 이점 중 하나는 대규모로 생성할 수 있어 AI 모델을 위한 풍부한 학습 및 테스트 데이터를 제공할 수 있다는 것입니다. 이는 실제 데이터가 부족하거나 확보하기 어려운 분야(예: 모든 조건을 포괄하는 날씨 데이터(Lam et al., 2023; Li et al., 2023))에서 특히 유용합니다. 둘째, 합성 데이터는 제어된 변형을 도입하여 다양한 클래스의 균형 잡힌 표현을 보장하는 등 특정 요구 사항에 맞게 조정할 수 있습니다(예: 다국어 언어 학습에서 저자원 언어의 가중치 상향(Przystupa and Abdul-Mageed, 2019)). 이러한 수준의 데이터 특성 제어는 모델 성능과 일반화를 개선할 수 있습니다. 셋째, 합성 데이터는 민감한 개인 정보가 포함되지 않은 익명화 또는 비식별 데이터 세트를 생성하여 개인정보 보호 문제를 완화하는 데 도움이 될 수 있습니다(El Emam et al., 2020; Howe et al., 2017). 이는 환자의 개인정보 보호가 가장 중요한 의료 분야에서 매우 중요합니다(Dahmen and Cook, 2019; Wei et al., 2019).[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]One of the many benefits of synthetic data is that it can be generated at scale, providing an abundant supply of training and testing data for AI models. This is particularly valuable in domains where real-world data is scarce or difficult to obtain (e.g., weather data covering all conditions (Lam et al., 2023; Li et al., 2023)). Second, synthetic data can be tailored to specific requirements, such as ensuring a balanced representation of different classes by introducing controlled variations (e.g., up-weighting low-resource languages in multilingual language learning (Przystupa and Abdul-Mageed, 2019)). This level of control over data characteristics can improve model performance and generalization. Third, synthetic data can help mitigate privacy concerns by creating anonymized or de-identified datasets that do not contain sensitive personal information (El Emam et al., 2020; Howe et al., 2017). This is crucial in domains such as healthcare, where patient privacy is of utmost importance (Dahmen and Cook, 2019; Wei et al., 2019). [|assistant|]

그림 5: LLaMA에서 수행된 연구 작업의 진화 그래프입니다. 엄청난 수로 인해 이 그림에 모든 LLaMA 변형을 포함할 수 없으며, 훨씬 더 뛰어난 작업도 포함할 수 없습니다. 점진적 업데이트를 지원하기 위해 이 그림의 소스 파일을 공유하며, 독자들이 원하는 모델을 포함하도록 GitHub 페이지에 pull request를 제출해 주시면 감사하겠습니다.[|endofturn|]

그림 5: LLaMA에서 수행된 연구 작업의 진화 그래프입니다. 엄청난 수로 인해 이 그림에 모든 LLaMA 변형을 포함할 수 없으며, 훨씬 더 뛰어난 작업도 포함할 수 없습니다. 점진적 업데이트를 지원하기 위해 이 그림의 소스 파일을 공유하며, 독자들이 원하는 모델을 포함하도록 GitHub 페이지에 풀 리퀘스트를 제출해 주시면 감사하겠습니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Fig. 5: An evolutionary graph of the research work conducted on LLaMA. Due to the huge number, we cannot include all the LLaMA variants in this figure, even much excellent work. To support incremental update, we share the source file of this figure, and welcome the readers to include the desired models by submitting the pull requests on our GitHub page. [|assistant|]

tion 및 답변. NQ는 질문과 답변의 길이 측면에서 PopQA에 더 가까워 보이지만, SQuAD에서 Adapt-LLM을 학습시키는 더 나은 결과에 영향을 미치는 핵심 요소는 학습 데이터 세트의 질문 수(\(\sim\)87K, SQuAD에서 \(\sim\)58K, NQ에서 \(\sim\)58K)일 수 있습니다. 특정 대상 데이터 세트에 더 적합한 학습 데이터 세트를 만드는 요인을 규명하기 위해서는 추가 분석이 필요하지만(이 연구의 범위를 벗어난 내용), 이러한 결과는 scale이 다시 한 번 중요한 역할을 할 수 있음을 시사합니다.[|endofturn|]

tion 및 답변. NQ는 질문과 답변의 길이 측면에서 PopQA에 더 가까워 보이지만, SQuAD에서 Adapt-LLM을 학습시키는 더 나은 결과에 영향을 미치는 핵심 요소는 학습 데이터 세트의 질문 수(\(sim\)87K, SQuAD에서 \(\sim\)58K, NQ에서 \(\sim\)58K)일 수 있습니다. 특정 대상 데이터 세트에 더 적합한 학습 데이터 세트를 만드는 요인을 규명하기 위해서는 추가 분석이 필요하지만(이 연구의 범위를 벗어난 내용), 이러한 결과는 규모가 다시 한 번 중요한 역할을 할 수 있음을 시사합니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]tion and answer. While NQ appears to be closer to PopQA in terms of question and answer lengths, the key factor influencing the better results of training Adapt-LLM on SQuAD may be the number of questions in the training dataset (\(\sim\)87K in SQuAD and \(\sim\)58K in NQ). Further analyses are required to elucidate the factors that render a training dataset more suitable for a given target dataset (which is beyond the scope of our study), but these results suggest that scale may play once again a crucial role. [|assistant|]

아키텍처 우리는 세 가지 규모(소형, 중형, XL)에서 decoder-only Transformer 모델(Vaswani et al., 2017)을 훈련합니다. 소규모(파라미터 1억 2,800만 개) 모델은 12개의 레이어, 12개의 attention heads, 768의 숨겨진 차원 크기로 구성됩니다. 중간 규모(파라미터 3억 5천만 개) 모델은 24개의 레이어, 16개의 attention heads, 1024의 숨겨진 차원 크기로 구성됩니다. XL 규모(파라미터 13억 개) 모델은 24개의 레이어, 16개의 attention heads, 2048의 숨겨진 차원 크기로 구성됩니다. 두 모델 모두 dropout을 사용하지 않으며 최대 시퀀스 길이는 1024입니다. 모델은 NVIDIA의 Megatron-LM 리포지토리를 사용하여 훈련됩니다.[|endofturn|]

아키텍처우리는 세 가지 규모(소형, 중형, XL)에서 디코더 전용 트랜스포머 모델(Vaswani et al., 2017)을 훈련합니다. 소규모(파라미터 1억 2,800만 개) 모델은 12개의 레이어, 12개의 주의 헤드, 768의 숨겨진 차원 크기로 구성됩니다. 중간 규모(파라미터 3억 5천만 개) 모델은 24개의 레이어, 16개의 주의 헤드, 1024의 숨겨진 차원 크기로 구성됩니다. XL 규모(파라미터 13억 개) 모델은 24개의 레이어, 16개의 주의 헤드, 2048의 숨겨진 차원 크기로 구성됩니다. 두 모델 모두 드롭아웃을 사용하지 않으며 최대 시퀀스 길이는 1024입니다. 모델은 NVIDIA의 Megatron-LM 리포지토리를 사용하여 훈련됩니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]ArchitectureWe train decoder-only transformer models (Vaswani et al., 2017) at three different scales, small, medium and XL. The small-scale (128M parameter) model consists of 12 layers, 12 attention heads, and a hidden dimension size of 768. The medium-scale (350M parameter) model consists of 24 layers, 16 attention heads, and a hidden dimension sizeof 1024. The XL-scale (1.3B parameter) model consists of 24 layers, 16 attention heads, and a hidden dimension size of 2048. We do not use dropout in either model and a maximum sequence length of 1024. The models are trained using NVIDIA's Megatron-LM repository. [|assistant|]

이와 같은 정렬된 모델이 없거나 참조 모델에 대한 제어권을 포기하여 안전 문제가 발생할 수 있으므로 위의 방법은 실현 가능하지 않을 수 있습니다. 대신, DPO 학습을 진행할 때 _단계별 방식_으로 선호도 데이터 세트(또는 선호도 데이터 세트의 하위 집합)를 사용하는 '단계별 DPO'를 제안합니다. 이전 단계의 정렬된 모델이 현재 단계의 reference model로 사용되며, 이는 더 정렬된 reference model(_즉, 더 나은 하한선_)을 활용하는 결과를 가져옵니다.[|endofturn|]

이와 같은 정렬된 모델이 없거나 참조 모델에 대한 제어권을 포기하여 안전 문제가 발생할 수 있으므로 위의 방법은 실현 가능하지 않을 수 있습니다. 대신, DPO 학습을 진행할 때 _단계별 방식_으로 선호도 데이터 세트(또는 선호도 데이터 세트의 하위 집합)를 사용하는 '단계별 DPO'를 제안합니다. 이전 단계의 정렬된 모델이 현재 단계의 기준 모델로 사용되며, 이는 더 정렬된 기준 모델(_즉, 더 나은 하한선)을 활용하는 결과를 가져옵니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Note that the above may not be feasible due to the absence of such aligned models, or the fact that it renounces control over the reference model, leading to safety concerns. Instead, we propose'step-wise DPO', named sDPO, where we use the preference datasets (or subsets of a preference dataset) in _a step-by-step manner_ when undergoing DPO training. The aligned model in the previous step is used as the reference model for the current step, which results in utilizing a more aligned reference model (_i.e._, a better lower bound). [|assistant|]

이전 연구에 따르면 텍스트 정보를 처리할 때 Transformer 기반 모델의 여러 계층에 서로 다른 기능이 존재한다고 합니다(Ethayarajh, 2019; Van Aken et al., 2019). 따라서 지속적인 사전 학습 중에 모델의 특정 레이어를 동결하는 실험을 수행합니다. 구체적으로, 처음 10개 레이어를 동결하고 마지막 10개 레이어를 동결하는 실험을 수행하며, 각각 Freeze First 10과 Freeze Last 10으로 표시합니다.[|endofturn|]

이전 연구에 따르면 텍스트 정보를 처리할 때 트랜스포머 기반 모델의 여러 계층에 서로 다른 기능이 존재한다고 합니다(Ethayarajh, 2019; Van Aken et al., 2019). 따라서 지속적인 사전 학습 중에 모델의 특정 레이어를 동결하는 실험을 수행합니다. 구체적으로, 처음 10개 레이어를 동결하고 마지막 10개 레이어를 동결하는 실험을 수행하며, 각각 Freeze First 10과 Freeze Last 10으로 표시합니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Previous studies have shown that distinct functionality exists in different layers of Transformer-based models when processing textual information Ethayarajh (2019); Van Aken et al. (2019). Consequently, we experiment with freezing specific layers of the model during continual pre-training. Specifically, we explore freezing the first ten layers and freezing the last ten layers, denoted as Freeze First 10 and Freeze Last 10, respectively. [|assistant|]

**Challenge**; Clark et al.2018). 우리는 accuracy를 평가 지표로 사용하고 테스트 세트에 대해 보고합니다. 이 두 데이터 세트에 대해 대상 클래스의 답률을 집계합니다(부록 섹션 B.2).[|endofturn|]

**Challenge**; Clark et al.2018). 정확도를 평가 지표로 사용하고 테스트 세트에 대해 보고합니다. 이 두 데이터 세트에 대해 대상 클래스의 답률을 집계합니다(부록 섹션 B.2).[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]**Challenge**; Clark et al.2018). We use accuracy as an evaluation metric and report on the test set. We aggregate the answer probabilities of target classes for both of these datasets (Appendix Section B.2). [|assistant|]

RealNews는 뉴스 도메인의 기사로 구성된 Common Crawl의 하위 집합입니다 Zellers et al. (2019). 평균 길이 793 BPE 토큰의 31M 문서가 포함되어 있습니다. RealNews는 각 문서의 처음 100자의 해시를 bloom filter Bloom (1970)에 삽입한 다음 해시 충돌이 발생한 문서를 제외하여 중복 제거했습니다. C4와 마찬가지로 URL이 중복된 예는 제외되었습니다.[|endofturn|]

RealNews는 뉴스 도메인의 기사로 구성된 Common Crawl의 하위 집합입니다 Zellers et al. (2019). 평균 길이 793 BPE 토큰의 31M 문서가 포함되어 있습니다. RealNews는 각 문서의 처음 100자의 해시를 블룸 필터 Bloom (1970)에 삽입한 다음 해시 충돌이 발생한 문서를 제외하여 중복 제거했습니다. C4와 마찬가지로 URL이 중복된 예는 제외되었습니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]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. [|assistant|]

우리는 LLM이 파라미터 공간으로 지식을 효율적으로 압축하여 8비트 파라미터에서도 2비트/파라미터를 달성할 수 있다는 것을 보았습니다. 이는 그러한 지식이 어떻게, 어디에 저장되는지에 대한 의문을 제기합니다. 우리의 예비적인 답변은 지식이 모델 내에 그다지 중복되지 않는 방식으로 압축되어 저장될 수 있다는 것입니다. 비슷한 크기의 Attention 레이어도 지식 저장에 기여하기 때문에 MLP 레이어만으로는 지식을 저장할 수 없을 것 같습니다(결과 5 참조). 또한, 특히 용량 한계에 가까운 모델의 경우, 마지막 Transformer 레이어를 제거하여 남은 지식을 "탐색"하면 "남은 지식"이 전체의 \(1-\frac{1}{L}\)보다 훨씬 적을 수 있음을 알 수 있습니다.19 이는 지식이 개별 레이어가 아닌 조합 자물쇠가 있는 금고와 유사한 복잡한 방식으로 저장되며, 한 레이어를 제거하면 전체 지식의 \(\frac{1}{L}\)보다 훨씬 더 많은 양이 제거될 수 있음을 시사합니다.[|endofturn|]

우리는 LLM이 파라미터 공간으로 지식을 효율적으로 압축하여 8비트 파라미터에서도 2비트/파라미터를 달성할 수 있다는 것을 보았습니다. 이는 그러한 지식이 어떻게, 어디에 저장되는지에 대한 의문을 제기합니다. 우리의 예비적인 답변은 지식이 모델 내에 그다지 중복되지 않는 방식으로 압축되어 저장될 수 있다는 것입니다. 비슷한 크기의 어텐션 레이어도 지식 저장에 기여하기 때문에 MLP 레이어만으로는 지식을 저장할 수 없을 것 같습니다(결과 5 참조). 또한, 특히 용량 한계에 가까운 모델의 경우, 마지막 트랜스포머 레이어를 제거하여 남은 지식을 "탐색"하면 "남은 지식"이 전체의 \(1-\frac{1}{L}\)보다 훨씬 적을 수 있음을 알 수 있습니다.19 이는 지식이 개별 레이어가 아닌 조합 자물쇠가 있는 금고와 유사한 복잡한 방식으로 저장되며, 한 레이어를 제거하면 전체 지식의 \(\frac{1}{L}\)보다 훨씬 더 많은 양이 제거될 수 있음을 시사합니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]We have seen that LLMs can efficiently compress knowledge into their parameter space, achieving 2bit/param even with 8-bit parameters. This raises the question: how and where is such knowledge stored? Our preliminary answer is that knowledge can be compactly stored within the model in a not-so-redundant manner. It is unlikely that the MLP layers alone store knowledge, as Attention layers, being of comparable sizes, also contribute to knowledge storage (c.f. Result 5). Moreover, particularly in models near the capacity boundary, removing the last transformer layer of an \(L\)-layer model to "probe" for remaining knowledge reveals that the "leftover knowledge" can be significantly less than \(1-\frac{1}{L}\) of the total.19 This suggests knowledge is stored not in individual layers but in a complex manner, akin to a safe with combination locks, where removing one layer may eliminate much more than \(\frac{1}{L}\) of the total knowledge. [|assistant|]

[|endofturn|]

**평가 형식**. 평가 결과의 유형에 따라 평가 형식은 _점수 기반 평가_와 _언어 기반 평가_로 분류할 수 있습니다. 점수 기반 평가는 측정 가능한 메트릭을 사용하여 평가된 텍스트에 대한 품질 점수(_예: 등급 또는 순위)를 할당합니다. 가장 널리 사용되는 방법은 쌍별 비교를 수행하여 특정 지침에 따라 후보 텍스트의 부분 순서 관계를 결정하는 방식으로, 평가 작업을 크게 간소화합니다[354, 647, 727]. 그러나 후보의 수를 늘릴 때 비효율적인 문제가 발생할 수 있습니다[727]. 평가 중에 고품질의 참조 텍스트를 사용할 수 있는 경우, LLM은 참조에서 제공된 지침에 따라 텍스트에 점수를 부여하도록 지시할 수 있습니다[727, 728, 727, 716]. 반면에 언어 기반 평가는 단순한 정량적 점수를 넘어 질적 설명을 제공하는 비평과 제안을 생성하는 데 중점을 둡니다[889, 890, 371, 891, 892, 893, 894, 895, 371, 896, 372, 897, 898, 373, 899, 381, 899, 390, 391, 892, 893, 894, 895, 896, 897, 898, 999, 900, 899, 899, 910, 899, 899, 890, 891, 892, 893, 894, 895, 896, 897, 898, 899, 999, 900, 891, 899, 899, 892, 893, 894, 895, 896, 897, 898, 899, 988, 999, 990, 991, 992, 993, 994, 995, 996, 997, 998, 999, 1000, 1001, 1002, 1003, 1004, 1005, 1006, 1007, 1008, 1009, 1008, 1009, 1010, 1011, 1012, 1013, 1014, 1015, 1016, 1017, 1018, 1019, 1020, 1021, 1022, 1023, 1024, 1025, 1026, 1027, 1028, 1029, 1030, 1031, 1032, 1033, 1034, 1035, 1036, 1037, 1038, 1039, 1040, 1041, 1042, 1043, 1044, 1044, 1045, 1046, 1047, 1048, 1049, 1050, 1051, 1052, 1053, 1054, 1055, 1056, 1057, 1058, 1059, 1060, 1061, 1062, 1063, 1064, 1065, 1066, 1067, 1068, 1069, 1070, 1071, 1072, 1073, 1074, 1075, 1076, 1077, 1078, 1079, 1080, 1081, 1082, 1082, 1083, 1084, 1085, 1086, 1087, 1088, 1089, 1090, 1091, 1092, 1093, 1094, 1095, 1096, 1097, 1098, 1099, 1100, 1101, 1102, 1103, 1104, 1105, 1106, 1107, 1108, 1109, 1110, 1111, 1112, 1113, 1114, 1115, 1116, 1117, 1118, 1119, 1120, 1121, 1122, 1123, 1124, 1125, 1126, 1127, 1128, 1129, 1130, 1131, 1132, 1133, 1134, 1135, 1136, 1137, 1138, 1139, 1140, 1141, 1142, 1143, 1144, 1145, 1146, 1147, 1148, 1149, 1150, 1151, 1152, 1153, 1154, 1155, 1156, 1157, 1158, 1159, 1160, 1161, 1162, 1163, 1164, 1165, 1166, 1167, 1168, 1169, 1170, 1171, 1172, 1173, 1174, 1175, 1176, 1177, 1178, 1179, 1180, 1181, 1182, 1183, 1184, 1185, 1186, 1187, 1188, 1189, 1190, 1191, 1192, 1193, 1194, 1195, 1196, 1197, 1198, 1199, 1200, 1201, 1202, 1203, 1204, 1205, 1206, 1207, 1208, 1209, 1210, 1211, 1212, 1213, 1214, 1215, 1216, 1217, 1218, 1219, 1220, 1221, 1222, 1223, 1224, 1225, 1226, 1227, 1228, 1229, 1230, 1231, 1232, 1233, 1234, 1235, 1236, 1237, 1238, 1239, 1240, 1241, 1242, 1243, 1244, 1245, 1246, 1247, 1248, 1249, 1250, 1251, 1252, 1253, 1254, 1255, 1256, 1257, 1258, 1259, 1260, 1261, 1262, 1263, 1264, 1265, 1266, 1267, 1268, 1269, 1270, 1271, 1272, 1273, 1274, 1275, 1276, 1277, 1278, 1279, 1280, 1281, 1282, 1283, 1284, 1285, 1286, 1287, 1288, 1289, 1290, 1291, 1292, 1293, 1294, 1295, 1296, 1297, 1298, 1299, 1300, 1301, 1302, 1303, 1304, 1305, 1306, 1307, 1308, 1309, 1310, 1311, 1312, 1313, 1314, 1315, 1316, 1317, 1318, 1319, 1320, 1321, 1322, 1323, 1324, 1325, 1326, 1327, 1328, 1329, 1330, 1331, 1332, 1333, 1334, 1335, 1336, 1337, 1338, 1339, 1340, 1341, 1342, 1343, 1344, 1345, 1346, 1347, 1348, 1349, 1350, 1351, 1352, 1353, 1354, 1355, 1356, 1357, 1358, 1359, 1360, 1361, 1362, 1363, 1364, 1365, 1366, 1367, 1368, 1369, 1370, 1371, 1372, [|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]**Evaluation Formats.** Depending on the type of evaluation outcome, the evaluation format can be categorized into _score-based evaluation_ and _language-based evaluation_. Score-based evaluation employs measurable metrics to assign quality scores (_e.g._, ratings or rankings) for evaluated texts. A prevalent way is to conduct pairwise comparison, where LLMs are used to determine the partial order relation of candidate texts following specific guidelines [354, 647, 727], which greatly simplifies the evaluation task. However, it may face the inefficiency issue when scaling up the number of candidates [727]. When high-quality reference texts are available during evaluation, LLMs can be instructed to score texts under the guidance provided by references [727, 728, 716]. On the other hand, language-based evaluation focuses on generating critiques and suggestions, offering qualitative explanation beyond simple quantitative scoring [889, 890, 371, 891, 892, 893, 894, 895, 371, 896, 372, 897, 898, 373, 899, 381, 899, 390, 391, 892, 893, 894, 895, 896, 897, 898, 999, 900, 899, 899, 910, 899, 899, 890, 891, 892, 893, 894, 895, 896, 897, 898, 899, 999, 900, 891, 899, 899, 892, 893, 894, 895, 896, 897, 898, 899, 988, 999, 990, 991, 992, 993, 994, 995, 996, 997, 998, 999, 1000, 1001, 1002, 1003, 1004, 1005, 1006, 1007, 1008, 1009, 1008, 1009, 1010, 1011, 1012, 1013, 1014, 1015, 1016, 1017, 1018, 1019, 1020, 1021, 1022, 1023, 1024, 1025, 1026, 1027, 1028, 1029, 1030, 1031, 1032, 1033, 1034, 1035, 1036, 1037, 1038, 1039, 1040, 1041, 1042, 1043, 1044, 1044, 1045, 1046, 1047, 1048, 1049, 1050, 1051, 1052, 1053, 1054, 1055, 1056, 1057, 1058, 1059, 1060, 1061, 1062, 1063, 1064, 1065, 1066, 1067, 1068, 1069, 1070, 1071, 1072, 1073, 1074, 1075, 1076, 1077, 1078, 1079, 1080, 1081, 1082, 1preferences and the fairness of the evaluations made by LLMs [647, 727, 893, 897, 898]. As a representative benchmark, MT-Bench [727] evaluates the agreement between LLMs and human judgments, demonstrating that GPT-4 aligns closely with human preferences in no-tie comparisons on 80 multi-turn questions. In addition, to address potential biases arising from subjective human evaluations, LLMBar [897] manually designs outputs that are objectively worse but superficially appealing, which could mislead evaluators. The evaluation results reveal that even the most advanced LLMs still fall short of human-level evaluation in the challenging setting. [|assistant|]

랜디는 농장에 망고나무 60그루를 가지고 있습니다. 또한 망고나무의 절반보다 5그루 적은 코코넛 나무를 가지고 있습니다. 랜디의 농장에는 총 몇 그루의 나무가 있을까요?[|endofturn|]

랜디는 농장에 망고나무 60그루를 가지고 있습니다. 또한 망고나무보다 코코넛 나무가 절반도 안 되는 5그루가 있습니다. 랜디의 농장에는 총 몇 그루의 나무가 있을까요?[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Randy has 60 mango trees on his farm. He also has 5 less than half as many coconut trees as mango trees. How many trees does Randy have in all on his farm? [|assistant|]

**데이터 수집 과정에 어떤 사람들이 참여했으며 어떻게 보상을 받았나요?** AI 안전 평가 프롬프트의 taxonomy를 만들기 위해 AI 안전 연구 그룹 구성원 외에도 12명의 시민 사회 전문가를 인터뷰했습니다.[|endofturn|]

**데이터 수집 과정에 어떤 사람들이 참여했으며 어떻게 보상을 받았나요?** AI 안전 평가 프롬프트의 분류를 만들기 위해 AI 안전 연구 그룹 구성원 외에도 12명의 시민 사회 전문가를 인터뷰했습니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]**Who was involved in the data collection process and how were they compensated?** Apart from the AI-safety working group members, 12 civil society experts were interviewed for creating the taxonomy for AI safety evaluation prompts. [|assistant|]

**Long-form Medical Question Answering.** 여기서 사용된 데이터 세트는 MultiMedBench [12]의 HealthSearchQA, LiveQA 및 Medication QA에서 64개의 질문에 대한 전문가가 작성한 long-form 형식의 답변으로 구성되었습니다.[|endofturn|]

**장문 의료 질문 답변**. 여기서 사용된 데이터 세트는 MultiMedBench [12]의 HealthSearchQA, LiveQA 및 Medication QA에서 64개의 질문에 대한 전문가가 작성한 장문 형식의 답변으로 구성되었습니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]**Long-form Medical Question Answering.** The dataset used here consisted of expert-crafted long-form responses to 64 questions from HealthSearchQA, LiveQA, and Medication QA in MultiMedBench [12]. [|assistant|]