Datasets:

Translation-EnKo

/

nlp-arxiv-translation-dpo-chat

like 0

여기에서는 252개의 사용자 지향 instructions에 대한 모델의 응답을 평가하기 위해 SS4.4에서 설명한 사람의 평가에 대한 자세한 내용을 제공합니다. 충실하고 신뢰할 수 있는 평가를 위해 이러한 instructions(및 이 논문)의 두 저자에게 모델 예측을 판단하도록 요청했습니다. 이 두 명의 평가자는 주석을 시작하기 전에 4단계 등급 시스템에 대한 기준을 조율한 다음 각자가 모든 인스턴스를 독립적으로 평가했습니다. 평가자들은 instruction, 인스턴스 입력, 대상 출력(참조용) 및 모델 응답을 제시받았습니다. 모델 응답은 무작위 순서로 나열되며 모든 모델 정보는 익명으로 처리됩니다. 그림 9는 주석 인터페이스의 스크린샷을 제공합니다. 본 논문에서 보고된 성능은 평가자 중 한 명의 결과를 기반으로 하며, 다른 평가자의 결과에서도 동일한 추세를 보입니다.[|endofturn|]

여기에서는 252개의 사용자 지향 명령에 대한 모델의 응답을 평가하기 위해 SS4.4에서 설명한 사람의 평가에 대한 자세한 내용을 제공합니다. 충실하고 신뢰할 수 있는 평가를 위해 이러한 지침(및 이 논문)의 두 저자에게 모델 예측을 판단하도록 요청했습니다. 이 두 명의 평가자는 주석을 시작하기 전에 4단계 등급 시스템에 대한 기준을 조율한 다음 각자가 모든 인스턴스를 독립적으로 평가했습니다. 평가자들은 지침, 인스턴스 입력, 대상 출력(참조용) 및 모델 응답을 제시받았습니다. 모델 응답은 무작위 순서로 나열되며 모든 모델 정보는 익명으로 처리됩니다. 그림 9는 주석 인터페이스의 스크린샷을 제공합니다. 본 논문에서 보고된 성능은 평가자 중 한 명의 결과를 기반으로 하며, 다른 평가자의 결과에서도 동일한 추세를 보입니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Here we provide more details for the human evaluation described in SS4.4 for rating the models' responses to the 252 user-oriented instructions. To ensure faithful and reliable evaluation, we asked two authors of these instructions (and of this paper) to judge model predictions. These two evaluators coordinated the standards for the 4-level rating system before starting annotation and then each of them rated all the instances independently. They were presented with the instruction, instance input, target output (as a reference), and model responses. Model responses are listed in random order, with all the model information anonymized. Figure 9 provides a screenshot of the annotation interface. The reported performance in this paper is based on the results from one of the evaluators, and the trends from the other evaluator's results are the same. [|assistant|]

이 논문에서는 표 내에서 개선 사항을 강조하기 위해 새로운 접근 방식을 채택하여 점수 \(x\)의 metric \(y\)에서 정적 개선 임계값을 지정하는 표준 관행을 넘어섰습니다. 대신, 우리의 임계값은 인간이 인식하는 두 시스템 간에 인지할 수 있는 차이를 산출하는 metric \(y\)의 최소 metric 차이 \(x\)에 맞춰 동적으로 보정됩니다(Kocmi 외., 2024). 예를 들어, 80%의 일치율로 인간의 판단에 맞추기 위해서는 KWI-XXL과 COMET-XXL의 경우 \(\geq 1.24\), KWI-22의 경우 \(\geq 0.53\)의 개선 마진이 필요합니다. 이러한 임계값에 대한 자세한 설명은 표 13에서 확인할 수 있습니다.[|endofturn|]

이 논문에서는 표 내에서 개선 사항을 강조하기 위해 새로운 접근 방식을 채택하여 점수 \(x\)의 메트릭 \(y\)에서 정적 개선 임계값을 지정하는 표준 관행을 넘어섰습니다. 대신, 우리의 임계값은 인간이 인식하는 두 시스템 간에 인지할 수 있는 차이를 산출하는 메트릭 \(y\)의 최소 메트릭 차이 \(x\)에 맞춰 동적으로 보정됩니다(Kocmi 외., 2024). 예를 들어, 80%의 일치율로 인간의 판단에 맞추기 위해서는 KWI-XXL과 COMET-XXL의 경우 \(\geq 1.24\), KWI-22의 경우 \(\geq 0.53\)의 개선 마진이 필요합니다. 이러한 임계값에 대한 자세한 설명은 표 13에서 확인할 수 있습니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]In the paper, we adopt a new approach for highlighting improvements within tables, moving beyond the standard practice of specifying a static improvement threshold in metric \(y\) by score \(x\). Instead, our threshold is dynamic, calibrated to the minimal metric difference \(x\) in metric \(y\) that yields a perceptible distinction between two systems as recognized by humans (Kocmi et al., 2024). For instance, to align with human judgments at an 80% concordance rate, the required improvement margin is \(\geq 1.24\) for both KWI-XXL and COMET-XXL, and \(\geq 0.53\) for KWI-22. A comprehensive delineation of these thresholds can be found in Table 13. [|assistant|]

**주요 기여도 요약.** 그림 3에 일부 주요 이론적 기여를 높은 수준으로 요약하여 제시합니다. 이러한 이론적 예측을 실증적으로 검증합니다(그림 4 참조): (1) Wikitext-103의 약 \(2M\) 샘플 데이터 세트에 대해 Llama2-7B(Touvron et al., 2023)를 Fine-tuning하는 대규모 실험에서 (2) Transformer 모델이 최대공약수를 예측하도록 훈련된 경우(Charton, 2023).[|endofturn|]

**주요 기여도 요약.** 그림 3에 일부 주요 이론적 기여를 높은 수준으로 요약하여 제시합니다. 이러한 이론적 예측을 실증적으로 검증합니다(그림 4 참조): (1) 빅스텍스트-103의 약 2M 샘플 데이터 세트에 대해 Llama2-7B(Touvron et al., 2023)를 미세 조정하는 대규모 실험에서 트랜스포머 모델이 최대공약수를 예측하도록 훈련된 경우(Charton, 2023).[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]**Summary of Main Contributions.** We present a high-level summary of our main theoretical contributions, some of which are highlighted in Figure 3. We empirically verify these theoretical predictions (see Figure 4): (1) in large-scale experiments on an LLM, fine-tuning Llama2-7B (Touvron et al., 2023) on an approximately \(2M\) sample dataset from Wikitext-103 and (2) for transformer models trained to predict the greatest common divisor (Charton, 2023). [|assistant|]

**에이전트 페르소나**. 에이전트 페르소나는 에이전트가 해당 에이전트와 관련된 기타 instructions를 포함하여 맡아야 하는 역할 또는 성격을 설명합니다. 페르소나에는 에이전트가 액세스할 수 있는 도구에 대한 설명도 포함되어 있습니다. 페르소나는 에이전트에게 자신의 역할과 도구의 목적, 그리고 이를 효과적으로 활용하는 방법을 알려줍니다. 연구에 따르면 "형성된 성격은 소셜 미디어 게시물 작성과 같은 일반적인 downstream(즉, 후속) 작업에서 규범적으로 Large Language Model (LLM)의 행동에 영향을 미친다"고 합니다[21]. 여러 에이전트 페르소나를 사용하여 문제를 해결하는 솔루션은 모델이 계획을 단계별로 세분화하도록 요청하는 Chain-of-Thought (CoT) 프롬프트에 비해 상당한 개선 효과를 보여줍니다[28, 29].[|endofturn|]

**에이전트 페르소나**. 에이전트 페르소나는 에이전트가 해당 에이전트와 관련된 기타 지침을 포함하여 맡아야 하는 역할 또는 성격을 설명합니다. 페르소나에는 에이전트가 액세스할 수 있는 도구에 대한 설명도 포함되어 있습니다. 페르소나는 에이전트에게 자신의 역할과 도구의 목적, 그리고 이를 효과적으로 활용하는 방법을 알려줍니다. 연구에 따르면 "형성된 성격은 소셜 미디어 게시물 작성과 같은 일반적인 다운스트림(즉, 후속) 작업에서 규범적으로 빅 언어 모델(LLM)의 행동에 영향을 미친다"고 합니다[21]. 여러 에이전트 페르소나를 사용하여 문제를 해결하는 솔루션은 모델이 계획을 단계별로 세분화하도록 요청하는 CoT(Chain-of-Thought) 프롬프트에 비해 상당한 개선 효과를 보여줍니다[28, 29].[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]**Agent Persona**. An agent persona describes the role or personality that the agent should take on, including any other instructions specific to that agent. Personas also contain descriptions of any tools the agent has access to. They make the agent aware of their role, the purpose of their tools, and how to leverage them effectively. Researchers have found that "shaped personality verifiably influences Large Language Model (LLM) behavior in common downstream (i.e. subsequent) tasks, such as writing social media posts" [21]. Solutions that use multiple agent personas to solve problems also show significant improvements compared to Chain-of-Thought (CoT) prompting where the model is asked to break down its plans step by step [28, 29]. [|assistant|]

모델 도용 공격(Tramer et al., 2016)은 블랙박스 모델의 기능을 복구하는 것을 목표로 하며, 두 가지 objective 중 하나를 최적화합니다(Jagielski et al., 2020):[|endofturn|]

모델 도용 공격(Tramer et al., 2016)은 블랙박스 모델의 기능을 복구하는 것을 목표로 하며, 두 가지 목표 중 하나를 최적화합니다(Jagielski et al., 2020):[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Model stealing attacks (Tramer et al., 2016) aim to recover the functionality of a black-box model, and optimize for one of two objectives (Jagielski et al., 2020): [|assistant|]

NSERC Discovery Grant RGPIN- 2021-04104 [E.B.], 캐나다 CIFAR AI Chair Program [I.R.], 캐나다 Excellence Research Chairs Program [I.R.]의 지원을 인정합니다. 또한 FRQNT 박사 과정(B2X) 장학금[B.T.], 몬트리올 대학교의 Artificial Intelligence 장학금[A.I.], 독일 학술교류청(DAAD)의 IFI 프로그램 펠로우십[M.R.]의 지원을 인정하고자 합니다. 이 연구는 INCITE 2023 프로그램 수상작인 "Scalable Foundation Models for Transferable Generalist AI"의 일환으로 제공되는 Summit 슈퍼컴퓨터의 컴퓨팅 리소스 덕분에 가능했습니다. 이러한 리소스는 미국 에너지부의 과학국이 계약 번호 DE-AC05-00OR22725에 따라 지원하는 Oak Ridge National Laboratory의 Oak Ridge Leadership Computing Facility에서 제공했습니다. 특히 Summit 슈퍼컴퓨터에 대한 Jens Glaser의 도움에 감사드립니다.[|endofturn|]

NSERC 디스커버리 그랜트 RGPIN- 2021-04104 [E.B.], 캐나다 CIFAR AI 체어 프로그램 [I.R.], 캐나다 우수 연구 석상 프로그램 [I.R.]의 지원을 인정합니다. 또한 FRQNT 박사 과정(B2X) 장학금[B.T.], 몬트리올 대학교의 인공 지능 장학금[A.I.], 독일 학술교류청(DAAD)의 IFI 프로그램 펠로우십[M.R.]의 지원을 인정하고자 합니다. 이 연구는 INCITE 2023 프로그램 수상작인 "전이 가능한 일반주의 AI를 위한 확장 가능한 기반 모델"의 일환으로 제공되는 서밋 슈퍼컴퓨터의 컴퓨팅 리소스 덕분에 가능했습니다. 이러한 리소스는 미국 에너지부의 과학국이 계약 번호 DE-AC05-00OR22725에 따라 지원하는 오크리지 국립연구소의 오크리지 리더십 컴퓨팅 시설에서 제공했습니다. 특히 서밋 슈퍼컴퓨터에 대한 옌스 글라저의 도움에 감사드립니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]We acknowledge support from NSERC Discovery Grant RGPIN- 2021-04104 [E.B.], the Canada CIFAR AI Chair Program [I.R.], and the Canada Excellence Research Chairs Program [I.R.]. We would also like to acknowledge funding from the FRQNT Doctoral (B2X) scholarship [B.T.], the scholarship for Artificial Intelligence of Universite de Montreal's Etudes Superieures et Postdoctorales [A.I.], and a fellowship of the IFI program of the German Academic Exchange Service (DAAD)[M.R.]. This research was made possible thanks to the computing resources on the Summit supercomputer, provided as a part of the INCITE 2023 program award "Scalable Foundation Models for Transferable Generalist AI". These resources were provided by the Oak Ridge Leadership Computing Facility at the Oak Ridge National Laboratory, which is supported by the Office of Science of the U.S. Department of Energy under Contract No. DE-AC05-00OR22725. In particular, we thank Jens Glaser for his help with the Summit supercomputer. [|assistant|]

이 분야에서 우리 연구와 동시대에 또 다른 관련 기여는 Erbacher 등의 연구[8]로, 외부 지식을 활용할 시기를 결정하기 위해 LLM을 훈련시켰습니다. 특히 정보 검색과 관련된 잠재적인 높은 비용을 고려할 때, 그들은 Hallucination의 위험과 정보 검색 비용 사이의 최적의 균형을 찾는 데 중점을 두었습니다. Adapt-LLM 방법은 유사한 접근 방식을 채택하여 언제 정보를 검색해야 하는지 학습하도록 LLM을 훈련시킵니다.[|endofturn|]

이 분야에서 우리 연구와 동시대에 또 다른 관련 기여는 Erbacher 등의 연구[8]로, 외부 지식을 활용할 시기를 결정하기 위해 LLM을 훈련시켰습니다. 특히 정보 검색과 관련된 잠재적인 높은 비용을 고려할 때, 그들은 환각의 위험과 정보 검색 비용 사이의 최적의 균형을 찾는 데 중점을 두었습니다. Adapt-LLM 방법은 유사한 접근 방식을 채택하여 언제 정보를 검색해야 하는지 학습하도록 LLM을 훈련시킵니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Another relevant contribution in this field, contemporaneous with our research, is the work by Erbacher et al. [8], where they trained an LLM to determine when to utilize external knowledge. They particularly focused on finding the optimal trade-off between the risk of hallucination and the cost of information retrieval, given the potentially high expense associated with IR. Our Adapt-LLM method adopts a similar approach, training an LLM to learn when to retrieve information. [|assistant|]

LLM 성능의 발전. 이 연구에서는 법률 영역에 대한 분석을 중심으로 하며, 특히 다음에 중점을 둡니다: _international law_, _professional law_, _jurisprudence_. 이러한 작업에는 각각 \(120\), \(1500\), \(110\)의 예가 포함됩니다.[|endofturn|]

LLM 성능의 발전. 이 연구에서는 법률 영역에 대한 분석을 중심으로 하며, 특히 다음에 중점을 둡니다: 국제법, 전문법, 법학_. 이러한 작업에는 각각 \(120\), \(1500\), \(110\)의 예가 포함됩니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]the advances in LLM performance. In our study, we center our analysis on the legal domain, with a specific focus on: _international law_, _professional law_, and _jurisprudence_. Those tasks respectively contain \(120\), \(1500\), and \(110\) examples. [|assistant|]

발견우리는 task-solving 계층에서 무작위로 샘플링된 뉴런을 비활성화하면 모든 계층에서 무작위로 샘플링된 뉴런을 비활성화하는 것보다 추론 능력이 더 크게 손상된다는 것을 발견했으며, 이는 task-solving 계층의 기능을 검증합니다.[|endofturn|]

발견우리는 과제 해결 계층에서 무작위로 샘플링된 뉴런을 비활성화하면 모든 계층에서 무작위로 샘플링된 뉴런을 비활성화하는 것보다 추론 능력이 더 크게 손상된다는 것을 발견했으며, 이는 과제 해결 계층의 기능을 검증합니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]FindingsWe find that deactivating randomly sampled neurons in task-solving layers disables the capabilities of LLMs in reasoning to a greater extent than deactivating randomly sampled neurons in all layers, which verifies the function of the task-solving layer. [|assistant|]

**정리 1**.: _\(\pi_{\text{ref}}\)가 선호 데이터의 실제 데이터 분포와 정확히 일치하는 이상적인 정책인 \(\pi_{w}\)로 정의될 때, DPO Loss \(\mathcal{L}(\pi_{\theta};\pi_{w})+C\)는 \(\mathcal{L}(\pi_{\theta};U)\)로 상한이 정의되며, 여기서 \(C\)는 상수입니다._[|endofturn|]

**정리 1**.: _π_{\text{ref}}\)가 선호 데이터의 실제 데이터 분포와 정확히 일치하는 이상적인 정책인 \(\pi_{w}\)로 정의될 때, DPO 손실 \(\mathcal{L}(\pi_{\theta};\pi_{w})+C\)는 \(\mathcal{L}(\pi_{\theta};U)\)로 상한이 정의되며, 여기서 \(C\)는 상수입니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]**Theorem 1**.: _When \(\pi_{\text{ref}}\) is defined as \(\pi_{w}\), an ideal policy that precisely aligns with the true data distribution of preferred data, the DPO loss \(\mathcal{L}(\pi_{\theta};\pi_{w})+C\) is upper bounded by \(\mathcal{L}(\pi_{\theta};U)\), where \(C\) is a constant._ [|assistant|]

사용자 평가 세트는 3명의 숙련된 데이터 주석가가 "안전하지 않음" 또는 "안전하지 않음"으로 독립적으로 주석을 달았습니다. 주석 가이드라인은 부록(부록 I)에 제공됩니다. 주석가들은 주제의 민감성을 고려하여 복지 지원과 지침을 받았습니다. 주석가들은 원본 프롬프트와 SUT의 응답을 모두 검토했지만, SUT의 이름은 확인하지 않았습니다. 모든 주석가들은 안전성을 위해 여러 해 동안 llama belling 데이터에 대한 경험이 있는 유창한 영어 사용자입니다. 1,320건 중 1,127건(85.4%)에 대해 주석가들 간에 골드 스탠다드 레이블에 대한 3/3의 동의가 있었습니다. 평균 Cohen's Kappa 점수로 측정한 주석자 간 일치도는 0.79(0.79, 0.87, 0.72의 쌍별 일치도 점수 평균)입니다. 이는 주석자 간의 일치도가 매우 높다는 것을 나타냅니다. 주석자들의 피드백에 따르면 데이터 주석을 하는 데는 시간이 많이 걸렸지만 테스트 항목의 명확한 특성으로 인해 비교적 간단했다고 합니다. 몇몇 경우에는 응답이 뒤죽박죽으로 뒤죽박죽이어서 이해하기 어려웠습니다. 그러나 주석가들은 여전히 자신 있게 레이블을 지정할 수 있었습니다. 주석가들 간의 다수결로 각 SUT의 응답에 대해 인간이 검증한 골드 스탠다드 레이블을 할당했습니다.[|endofturn|]

사용자 평가 세트는 3명의 숙련된 데이터 주석가가 "안전하지 않음" 또는 "안전하지 않음"으로 독립적으로 주석을 달았습니다. 주석 가이드라인은 부록(부록 I)에 제공됩니다. 주석가들은 주제의 민감성을 고려하여 복지 지원과 지침을 받았습니다. 주석가들은 원본 프롬프트와 SUT의 응답을 모두 검토했지만, SUT의 이름은 확인하지 않았습니다. 모든 주석가들은 안전성을 위해 여러 해 동안 램마 벨링 데이터에 대한 경험이 있는 유창한 영어 사용자입니다. 1,320건 중 1,127건(85.4%)에 대해 주석가들 간에 골드 스탠다드 레이블에 대한 3/3의 동의가 있었습니다. 평균 코헨 카파 점수로 측정한 주석자 간 일치도는 0.79(0.79, 0.87, 0.72의 쌍별 일치도 점수 평균)입니다. 이는 주석자 간의 일치도가 매우 높다는 것을 나타냅니다. 주석자들의 피드백에 따르면 데이터 주석을 하는 데는 시간이 많이 걸렸지만 테스트 항목의 명확한 특성으로 인해 비교적 간단했다고 합니다. 몇몇 경우에는 응답이 뒤죽박죽으로 뒤죽박죽이어서 이해하기 어려웠습니다. 그러나 주석가들은 여전히 자신 있게 레이블을 지정할 수 있었습니다. 주석가들 간의 다수결로 각 SUT의 응답에 대해 인간이 검증한 골드 스탠다드 레이블을 할당했습니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]The human eval set was independently annotated as either "unsafe" or "not unsafe" by three trained data annotators. The annotation guidelines are provided in the Appendix (Appendix I). Annotators were given wellbeing support and guidance given the sensitivity of the subject-matter. Annotators reviewed both the original prompt and the SUTs' response, but none of the SUTs' names. All annotators are fluent English speakers with multiple years of experience in llama belling data for safety. For 1,127 out of 1,320 cases (85.4%) there was 3/3 agreement between annotators on the gold standard label. Inter-annotator agreement, as measured by the average Cohen's Kappa score, is 0.79 (the average of pairwise agreement scores of 0.79, 0.87 and 0.72). This indicates very high agreement between annotators. Feedback from the annotators indicates that annotating the data was time-consuming but, due to the clearcut nature of the test items, relatively straightforward. In a few cases, the responses were garbled and hard to understand. However, annotators were still able to confidently label them. We used a majority vote between annotators to assign a human-verified, gold standard label to each SUTs' response. [|assistant|]

이 작업에서는 다양한 다운스트림 작업에 맞게 LLM을 정렬하기 위해 맞춤형 고품질 데이터를 체계적으로 생성하는 새로운 프레임워크인 **CodecLM**을 소개합니다. CodecLM의 개괄적인 개요는 그림 1과 같습니다. Encode-Decode 프로세스의 원리 Kramer (1991); Kingma and Welling (2013)에서 영감을 받아 강력한 LLM을 codec으로 활용하여 대상 작업의 시드 instructions를 instruction _metadata_로 "encode"한 다음 metadata를 맞춤형 합성 instructions로 "decode"합니다. metadata는 효과적인 instruction 수행을 위한 _use case_ 및 _skills_을 포함하여 입력 instruction 분포의 단어 수준 추상화 역할을 합니다. 시드 instructions를 encoding하여 자동으로 생성하거나 사용자가 다운스트림 작업에 대한 높은 수준의 예상을 가지고 직접 제공할 수 있습니다.[|endofturn|]

이 작업에서는 다양한 다운스트림 작업에 맞게 LLM을 정렬하기 위해 맞춤형 고품질 데이터를 체계적으로 생성하는 새로운 프레임워크인 **CodecLM**을 소개합니다. 코덱LM의 개괄적인 개요는 그림 1과 같습니다. 인코딩-디코딩 프로세스의 원리 크레이머(1991); 킹마와 웰링(2013)에서 영감을 받아 강력한 LLM을 코덱으로 활용하여 대상 작업의 시드 명령을 명령 _메타데이터_로 "인코딩"한 다음 메타데이터를 맞춤형 합성 명령으로 "디코딩"합니다. 메타데이터는 효과적인 명령 수행을 위한 _사용 사례_ 및 _스킬_을 포함하여 입력 명령 분포의 단어 수준 추상화 역할을 합니다. 시드 명령을 인코딩하여 자동으로 생성하거나 사용자가 다운스트림 작업에 대한 높은 수준의 예상을 가지고 직접 제공할 수 있습니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]In this work, we present a novel framework, **CodecLM**, which systematically generates tailored high-quality data to align LLMs for different downstream tasks. A high-level overview of CodecLM is shown in Figure 1. Inspired by the principles of Encode-Decode process Kramer (1991); Kingma and Welling (2013), we leverage a strong LLM as a codec to "encode" seed instructions from our target task into instruction _metadata_ and then "decode" the metadata into tailored synthetic instructions. The metadata serves as a word-level abstraction of the input instruction distribution, including the _use case_ and _skills_ for effective instruction following. It can be automatically generated by encoding seed instructions, or directly provided by users with a high-level anticipation of the downstream task. [|assistant|]

_합성 QAs: 질문 1:_ "존 메인은 누구였나요?" _답변 1:_ "존 메인은 덤프리스 출신의 스코틀랜드 인쇄업자, 언론인, 시인이었습니다.[|endofturn|]

_합성 QA: 질문 1:_ "존 메인은 누구였나요?" _답변 1:_ "존 메인은 덤프리스 출신의 스코틀랜드 인쇄업자, 언론인, 시인이었습니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]_Synthetic QAs: question 1:_ "Who was John Mayne?" _answer 1:_ "John Mayne was a Scottish printer, journalist, and poet from Dumfries. [|assistant|]

**Training data and settings**. 훈련 데이터는 다양한 instruction-following 입력-출력 쌍으로 구성됩니다. 특히, Open-Instruct 처리된 데이터(Wang et al., 2023)와 지식 집약적 데이터 세트(Petroni et al., 2021; Stelmakh et al., 2022; Mihaylov et al., 2018)에서 인스턴스를 샘플링합니다. 총 15만 개의 instruction-output 쌍을 사용합니다. 생성기 기반 LM으로 Llama 7B와 13B(Touvron et al., 2023)를 사용하고, 기반 비평가 LM으로 Llama2 7B를 사용합니다. 검색 모델 \(\mathcal{R}\)의 경우, 기본적으로 오프더 셸프 Contriever-MS MARCO(Izacard et al., 2022)를 사용하고 각 입력에 대해 최대 10개의 문서를 검색합니다. 자세한 훈련 내용은 부록 섹션 B.1을 참조하세요.[|endofturn|]

**훈련 데이터 및 설정**. 훈련 데이터는 다양한 지침에 따르는 입력-출력 쌍으로 구성됩니다. 특히, Open-Instruct 처리된 데이터(Wang et al., 2023)와 지식 집약적 데이터 세트(Petroni et al., 2021; Stelmakh et al., 2022; Mihaylov et al., 2018)에서 인스턴스를 샘플링합니다. 총 15만 개의 명령어-출력 쌍을 사용합니다. 생성기 기반 LM으로 Llama 7B와 13B(Touvron et al., 2023)를 사용하고, 기반 비평가 LM으로 Llama2 7B를 사용합니다. 검색 모델 $\mathcal{R}$의 경우, 기본적으로 오프더 셸프 Contriever-MS MARCO(Izacard et al., 2022)를 사용하고 각 입력에 대해 최대 10개의 문서를 검색합니다. 자세한 훈련 내용은 부록 섹션 B.1을 참조하세요.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]**Training data and settings.** Our training data consists of diverse instruction-following input-output pairs. In particular, we sample instances from Open-Instruct processed data (Wang et al., 2023) and knowledge-intensive datasets (Petroni et al., 2021; Stelmakh et al., 2022; Mihaylov et al., 2018). In total, we use 150k instruction-output pairs. We use Llama 7B and 13B (Touvron et al., 2023) as our generator base LM, and we use Llama2 7B as our base critic LM. For the retriever model \(\mathcal{R}\), we use off-the-shelf Contriever-MS MARCO (Izacard et al., 2022) by default and retrieve up to ten documents for each input. More training details are in the Appendix Section B.1. [|assistant|]

추론 시스템을 최적화하는 과정에서 예측을 생성하기 위한 후보 모델로 Claude-2.1과 GPT-4-1106-Preview를 모두 테스트했습니다. GPT-4-1106-Preview는 일관되게 0.01~0.03의 더 낮은 Brier score를 산출합니다. 따라서 최종 시스템은 GPT-4-1106-Preview와 Fine-tuned GPT-4-0613에서 예측을 이끌어냅니다.[|endofturn|]

추론 시스템을 최적화하는 과정에서 예측을 생성하기 위한 후보 모델로 Claude-2.1과 GPT-4-1106-Preview를 모두 테스트했습니다. GPT-4-1106-Preview는 일관되게 0.01~0.03의 더 낮은 브리어 점수를 산출합니다. 따라서 최종 시스템은 GPT-4-1106-Preview와 미세 조정된 GPT-4-0613에서 예측을 이끌어냅니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]In optimizing the reasoning system, we test both Claude-2.1 and GPT-4-1106-Preview as candidate models for generating forecasts. GPT-4-1106-Preview consistently yields a 0.01-0.03 lower Brier score. Therefore, our final system elicits predictions from GPT-4-1106-Preview and the fine-tuned GPT-4-0613. [|assistant|]

아이리스는 마법에 걸린 타자기를 통해 Carver라는 신비한 인물과 마법의 편지를 주고받습니다.[|endofturn|]

12. 아이리스는 마법에 걸린 타자기를 통해 카버라는 신비한 인물과 마법의 편지를 주고받습니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]12. Iris maintains a magical correspondence with a mysterious figure named Carver through enchanted typewriters. [|assistant|]

문서 길이의 다양성을 높이기 위해 짧은 문서(1.5K 단어 미만)가 포함된 5개의 대화형 QA 데이터 세트를 수집합니다. 평균적으로 1단어는 1.5개의 토큰으로 토큰화됩니다. 따라서 문서는 시퀀스 길이가 4K tokens인 LLMs에 직접 맞출 수 있습니다.[|endofturn|]

문서 길이의 다양성을 높이기 위해 짧은 문서(1.5K 단어 미만)가 포함된 5개의 대화형 QA 데이터 세트를 수집합니다. 평균적으로 1단어는 1.5개의 토큰으로 토큰화됩니다. 따라서 문서는 시퀀스 길이가 4K 토큰인 LLM에 직접 맞출 수 있습니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]To increase the diversity of document lengths, we collect five conversational QA datasets with short documents (less than 1.5K words). On average, 1 word will be tokenized into 1.5 tokens. Hence, the document can be directly fitted into LLMs with a sequence length of 4K tokens. [|assistant|]

이 섹션에서는 먼저 LLM에 사용되는 대중적인 아키텍처를 검토한 다음 데이터 준비, tokenization, 사전 학습, Instruction Tuning 및 alignment에 이르는 데이터 및 모델링 기법에 대해 설명합니다.[|endofturn|]

이 섹션에서는 먼저 LLM에 사용되는 대중적인 아키텍처를 검토한 다음 데이터 준비, 토큰화, 사전 학습, 명령어 튜닝 및 정렬에 이르는 데이터 및 모델링 기법에 대해 설명합니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]In this section, we first review the popular architectures used for LLMs, and then discuss data and modeling techniques ranging from data preparation, tokenization, to pre-training, instruction tuning, and alignment. [|assistant|]

* _비전-언어 정렬 사전 학습._ MLLM을 개발하기 위해 기존 작업은 대부분 비전 Encoder와 LLM을 사전 학습된 모델[149, 826, 150]로 초기화합니다. 이러한 모델은 뛰어난 비전 및 언어 기능을 유지하지만 서로 다른 의미 공간에 걸쳐 있습니다. 따라서 비전 언어 정렬 사전 학습(_즉, 1단계 학습)의 목표는 대규모 이미지-텍스트 쌍에 대한 엔드투엔드 학습을 통해 비전 Encoder와 LLM을 정렬하는 것입니다[827, 828]. 그러나 이 두 모델을 이미지-텍스트 쌍에 대해 직접 튜닝하면 원래의 표현 능력이 저하될 수 있습니다. 정렬 성능을 개선하려면 효과적인 훈련 전략을 설계하고 적절한 사전 훈련 데이터를 선택하는 것이 중요합니다[829, 830]. 기존 연구에서는 크로스 모달리티 정렬을 위해 주로 다음과 같은 전략을 사용합니다: (1) 이미지-텍스트 쌍의 수가 충분히 많지 않은 경우(_예: 1M 미만) 연결 모듈만 업데이트하는 것이 좋습니다[831]; (2) 훈련 데이터에 고품질 텍스트 코퍼스 [832] 또는 세분화된 주석이 있는 이미지-텍스트 쌍 [833]이 포함된 경우, 성능을 높이기 위해 LLM을 Fine-tuning할 수 있습니다; (3) 이미지-텍스트 쌍의 수가 매우 많은 경우(예: 약 1B) 비전 Encoder를 Fine-tuning하는 것도 그럴듯하지만[829, 830], 그 이점은 추가 검증이 필요합니다. * _시각적 Instruction Tuning._ 시각 언어 사전 학습 후 2단계 학습, 즉 시각적 Instruction Tuning은 MLLM의 Instruction 추종 및 작업 해결 능력을 향상시키는 것을 목표로 합니다. 일반적으로 시각적 Instruction Tuning의 입력은 이미지와 작업 설명으로 구성되며, 작업은 해당 텍스트 출력을 생성하는 것입니다. 성능을 높이기 위해서는 고품질의 시각적 Instruction 데이터가 MLLM의 능력을 이끌어내고 향상시키는 데 핵심입니다. 따라서 대부분의 연구는 다양한 시각적 Instruction 데이터 세트를 구성하는 데 전념하고 있습니다. 기본 접근 방식으로 초기 연구에서는 GPT-4[149]를 증류하거나 비전 언어 작업 데이터 세트[151]를 개작하여 시각적 Instruction을 구성합니다. Instruction 데이터의 품질을 높이기 위해 최근 연구에서는 Instruction 다양성을 높이고[834], Instruction에 세분화된 정보(예: 물체 좌표)를 통합하거나[833], 복잡한 시각적 추론 Instruction을 합성하는 등 개선된 전략을 제안하고 있습니다[835].[|endofturn|]

* _비전-언어 정렬 사전 학습._ MLLM을 개발하기 위해 기존 작업은 대부분 비전 인코더와 LLM을 사전 학습된 모델[149, 826, 150]로 초기화합니다. 이러한 모델은 뛰어난 비전 및 언어 기능을 유지하지만 서로 다른 의미 공간에 걸쳐 있습니다. 따라서 비전 언어 정렬 사전 학습(_즉, 1단계 학습)의 목표는 대규모 이미지-텍스트 쌍에 대한 엔드투엔드 학습을 통해 비전 인코더와 LLM을 정렬하는 것입니다[827, 828]. 그러나 이 두 모델을 이미지-텍스트 쌍에 대해 직접 튜닝하면 원래의 표현 능력이 저하될 수 있습니다. 정렬 성능을 개선하려면 효과적인 훈련 전략을 설계하고 적절한 사전 훈련 데이터를 선택하는 것이 중요합니다[829, 830]. 기존 연구에서는 크로스 모달리티 정렬을 위해 주로 다음과 같은 전략을 사용합니다: (1) 이미지-텍스트 쌍의 수가 충분히 많지 않은 경우(_예: 1M 미만) 연결 모듈만 업데이트하는 것이 좋습니다[831]; (2) 훈련 데이터에 고품질 텍스트 코퍼스 [832] 또는 세분화된 주석이 있는 이미지-텍스트 쌍 [833]이 포함된 경우, 성능을 높이기 위해 LLM을 미세 조정할 수 있습니다; (3) 이미지-텍스트 쌍의 수가 매우 많은 경우(예: 약 1B) 비전 인코더를 미세 조정하는 것도 그럴듯하지만[829, 830], 그 이점은 추가 검증이 필요합니다. * _시각적 지침 튜닝._ 시각 언어 사전 학습 후 2단계 학습, 즉 시각적 지침 튜닝은 MLLM의 지침 추종 및 작업 해결 능력을 향상시키는 것을 목표로 합니다. 일반적으로 시각적 지시 튜닝의 입력은 이미지와 작업 설명으로 구성되며, 작업은 해당 텍스트 출력을 생성하는 것입니다. 성능을 높이기 위해서는 고품질의 시각적 지시 데이터가 MLLM의 능력을 이끌어내고 향상시키는 데 핵심입니다. 따라서 대부분의 연구는 다양한 시각적 지시 데이터 세트를 구성하는 데 전념하고 있습니다. 기본 접근 방식으로 초기 연구에서는 GPT-4[149]를 증류하거나 비전 언어 작업 데이터 세트[151]를 개작하여 시각적 지시를 구성합니다. 지침 데이터의 품질을 높이기 위해 최근 연구에서는 지침 다양성을 높이고[834], 지침에 세분화된 정보(예: 물체 좌표)를 통합하거나[833], 복잡한 시각적 추론 지침을 합성하는 등 개선된 전략을 제안하고 있습니다[835].[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]* _Vision-language alignment pre-training._ To develop MLLMs, existing work mostly initializes the vision encoder and the LLM with pre-trained models [149, 826, 150]. These models retain excellent vision and language capacities, but span different semantic spaces. Thus, the goal of vision-language alignment pre-training (_i.e._, the first-stage training) is to align the vision encoder and the LLM through end-to-end training on large-scale image-text pairs [827, 828]. However, directly tuning these two models on image-text pairs may cause the degradation of the original representation capacities. To improve the alignment performance, it is crucial to design effective training strategies and select appropriate pre-training data [829, 830]. Existing work mainly employs the following strategies for cross-modality alignment: (1) if the number of image-text pairs is not sufficiently large (_e.g._, less than 1M), it is often suggested to only update the connection module [831]; (2) if the training data includes high-quality text corpora [832] or image-text pairs with fine-grained annotations [833], fine-tuning the LLM can be conducted to boost the performance; (3) if the number of image-text pairs is very large (_e.g._, about 1B), fine-tuning the vision encoder is also plausible [829, 830], but the benefit remains further verification. * _Visual instruction tuning._ After vision-language pre-training, the second-stage training, _i.e._, visual instruction tuning, aims to improve the instruction-following and task-solving abilities of MLLMs. Generally, the input of visual instruction tuning consists of an image and a task description, and the task is to generate a corresponding text output. To boost the performance, high-quality visual instruction data is key to eliciting and enhancing the abilities of MLLMs. Therefore, most studies are dedicated to constructing various visual instruction datasets. As the basic approaches, early studies construct visual instructions by distilling from GPT-4 [149] or reformulating vision-language task datasets [151]. To enhance the quality of instruction data, recent work further proposes improved strategies by increasing the instruction diversity [834], incorporating fine-grained information (_e.g._, coordinate of objects) into the instruction [833], or synthesizing complex visual reasoning instructions [835]. [|assistant|]

이 논문의 즉각적인 초점을 넘어, Self-Instruct는 InstructGPT 또는 ChatGPT와 같이 널리 사용되는 instruction-tuned 모델의 '비하인드 스토리'에 더 많은 투명성을 가져오는 데 도움이 될 수 있다고 생각합니다. 안타깝게도 이러한 산업용 모델은 데이터 세트가 공개되지 않아 API 벽에 갇혀 있으며, 따라서 모델의 구축 방식과 왜 인상적인 기능을 보여주는지에 대한 이해가 거의 없습니다. 이제 이러한 모델의 성공 요인을 더 잘 이해하고 더 나은 모델을 위해 노력하는 것은 학계의 몫입니다. 저희는 이 논문의 연구 결과가 다양한 instruction 데이터의 중요성을 입증한다고 믿으며, 대규모 합성 데이터 세트가 더 나은 instruction-following 모델을 구축하기 위한 더 높은 품질의 데이터를 향한 첫걸음이 될 수 있다고 생각합니다. 이 글을 쓰는 현재, 이 논문의 핵심 아이디어는 이러한 노력을 위한 몇 가지 후속 연구에서 채택되었습니다(Taori et al., 2023; Xu et al., 2023; Sun et al., 2023, i.a.).[|endofturn|]

이 논문의 즉각적인 초점을 넘어, Self-Instruct는 InstructGPT 또는 ChatGPT와 같이 널리 사용되는 지시 튜닝 모델의 '비하인드 스토리'에 더 많은 투명성을 가져오는 데 도움이 될 수 있다고 생각합니다. 안타깝게도 이러한 산업용 모델은 데이터 세트가 공개되지 않아 API 벽에 갇혀 있으며, 따라서 모델의 구축 방식과 왜 인상적인 기능을 보여주는지에 대한 이해가 거의 없습니다. 이제 이러한 모델의 성공 요인을 더 잘 이해하고 더 나은 모델을 위해 노력하는 것은 학계의 몫입니다. 저희는 이 논문의 연구 결과가 다양한 지시 데이터의 중요성을 입증한다고 믿으며, 대규모 합성 데이터 세트가 더 나은 지시 따름 모델을 구축하기 위한 더 높은 품질의 데이터를 향한 첫걸음이 될 수 있다고 생각합니다. 이 글을 쓰는 현재, 이 논문의 핵심 아이디어는 이러한 노력을 위한 몇 가지 후속 연구에서 채택되었습니다(Taori et al., 2023; Xu et al., 2023; Sun et al., 2023, i.a.).[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Beyond the immediate focus of this paper, we believe that Self-Instruct may help bring more transparency to what happens "behind the scenes" of widely-used instruction-tuned models like InstructGPT or ChatGPT. Unfortunately, such industrial models remain behind API walls as their datasets are not released, and hence there is little understanding of their construction and why they demonstrate impressive capabilities. The burden now falls on academia to better understand the source of success in these models and strive for better--and more open--models. We believe our findings in this paper demonstrate the importance of diverse instruction data, and our large synthetic dataset can be the first step toward higher-quality data for building better instruction-following models. At this writing, the central idea of this paper has been adopted in several follow-up works for such endeavors (Taori et al., 2023; Xu et al., 2023; Sun et al., 2023, i.a.). [|assistant|]

TyDiQA-GoldP(Clark et al., 2020)와 다국어 초등 수학(MGSM)(Shi et al., 2022)의 두 가지 생성 작업을 고려합니다. TyDiQA-GoldP는 question answering 과제이고, MGSM은 10개 언어로 된 언어 모델의 arithmetic reasoning 능력을 평가합니다.[|endofturn|]

TyDiQA-GoldP(Clark et al., 2020)와 다국어 초등 수학(MGSM)(Shi et al., 2022)의 두 가지 생성 작업을 고려합니다. TyDiQA-GoldP는 질문 답변 과제이고, MGSM은 10개 언어로 된 언어 모델의 산술 추론 능력을 평가합니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]We consider two generative tasks: TyDiQA-GoldP (Clark et al., 2020) and Multilingual Grade School Math (MGSM) (Shi et al., 2022). TyDiQA-GoldP is a question answering task while MGSM evaluates the arithmetic reasoning ability of language models in 10 languages. [|assistant|]

불안정성 문제를 해결하기 위해 먼저 정확도가 지수적으로 증가하는 Supervised Fine-tuning (SFT) 데이터에 따라 거의 선형 또는 초선형으로 향상되는 것을 관찰합니다. 또한 사용 가능한 모든 GSM8K 및 MATH 학습 데이터를 활용할 때 정확도가 정체기에 도달하지 못한다는 점(표 1 참조)에 주목합니다. 이러한 관찰은 SFT 데이터를 더 확장하도록 장려합니다. 그러나 이러한 지속적인 확장을 지원할 수 있는 공개적으로 접근 가능한 실제 데이터가 부족하기 때문에 어려움에 직면해 있습니다.[|endofturn|]

불안정성 문제를 해결하기 위해 먼저 정확도가 지수적으로 증가하는 지도 미세 조정(SFT) 데이터에 따라 거의 선형 또는 초선형으로 향상되는 것을 관찰합니다. 또한 사용 가능한 모든 GSM8K 및 MATH 학습 데이터를 활용할 때 정확도가 정체기에 도달하지 못한다는 점(표 1 참조)에 주목합니다. 이러한 관찰은 SFT 데이터를 더 확장하도록 장려합니다. 그러나 이러한 지속적인 확장을 지원할 수 있는 공개적으로 접근 가능한 실제 데이터가 부족하기 때문에 어려움에 직면해 있습니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]To address the instability issue, we first observe that the accuracy improves almost in linear or even super-linear with exponentially increased supervised fine-tuning (SFT) data. Moreover, we note that the accuracy is far from reaching a plateau when utilizing all available GSM8K and MATH training data (as shown in Table 1). This observation encourages us to further scale up the SFT data. However, we face a challenge as there is a lack of publicly accessible real data to support this continuous scaling. [|assistant|]

데이터 세트에는 각각 1100개의 질문-답변 쌍이 포함되어 있습니다. 질문-답변 쌍 중 1000개는 데이터 세트에 해당 예제가 있습니다. 두 데이터 세트 모두에 대해 Llama-7b, Llama-13b 및 Llama-30b에 대한 hyperparameter sweeps를 수행합니다. 스윕에 대한 자세한 내용은 부록 D.1에서 확인할 수 있습니다. 스윕에서 가장 성능이 우수한 hyperparameters를 사용하여 각각 5개의 시드를 사용하여 20개의 epochs 동안 모델을 훈련합니다.[|endofturn|]

데이터 세트에는 각각 1100개의 질문-답변 쌍이 포함되어 있습니다. 질문-답변 쌍 중 1000개는 데이터 세트에 해당 예제가 있습니다. 두 데이터 세트 모두에 대해 Llama-7b, Llama-13b 및 Llama-30b에 대한 하이퍼파라미터 스윕을 수행합니다. 스윕에 대한 자세한 내용은 부록 D.1에서 확인할 수 있습니다. 스윕에서 가장 성능이 우수한 하이퍼파라미터를 사용하여 각각 5개의 시드를 사용하여 20개의 에포크 동안 모델을 훈련합니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]The datasets contain 1100 question-answer pairs each. 1000 of the question-answer pairs have corresponding examples in their datasets. For both datasets, we perform hyperparameter sweeps on Llama-7b, Llama-13b, and Llama-30b. Details for the sweep can be found in Appendix D.1. Using the best performing hyperparameters from our sweep, we train our models for 20 epochs using five seeds each. [|assistant|]

글을 쓰고 말할 때 사람들은 생각을 하기 위해 멈추기도 합니다. 추론에 초점을 맞춘 연구에서는 추론을 질문에 답하거나 대리인의 작업을 완료하는 방법으로 묘사하는 경우가 많지만, 추론은 거의 모든 서면 텍스트에 암시되어 있습니다. 예를 들어, 이는 증명의 줄 사이에 명시되지 않은 단계 또는 대화의 기반이 되는 마음의 이론에 적용됩니다. Self-Taught Reasoner (STaR, Zelikman et al., 2022)에서는 질의응답에서 few-shot 예제에서 추론을 추론하고 정답으로 이어지는 예제에서 학습함으로써 유용한 사고를 학습합니다. 이는 매우 제한된 설정으로, 언어 모델이 대신 임의의 텍스트에서 명시되지 않은 근거를 추론하는 방법을 학습할 수 있다면 이상적입니다. 우리는 LMs이 미래의 텍스트를 설명하기 위해 각 토큰에서 근거를 생성하여 예측을 개선하는 STaR의 일반화인 **Quiet-STaR**을 소개합니다. 1) 연속 생성의 계산 비용, 2) LMs이 처음에는 내부 생각을 생성하거나 사용하는 방법을 모른다는 사실, 3) 개별 다음 토큰을 넘어 예측해야 한다는 점 등 주요 과제를 해결합니다. 이를 해결하기 위해 학습 가능한 토큰을 사용하여 생각의 시작과 끝을 나타내는 토큰과 확장된 teacher-forcing 기법을 사용하는 토큰별 병렬 샘플링 알고리즘을 제안합니다. 고무적인 점은 생성된 근거가 예측하기 어려운 토큰에 불균형적으로 도움이 되고 모델이 어려운 질문에 직접 답할 수 있는 능력을 향상시킨다는 점입니다. 특히, 인터넷 텍스트 코퍼스에 대해 Quiet-STaR을 사용하여 LMs을 지속적으로 사전 학습한 후, GSM8K(5.9%\(\rightarrow\)10.9%)와 CommonsenseQA(36.3%\(\rightarrow\)47.2%)에서 zero-shot 개선을 발견했으며, 자연어 텍스트에서 어려운 토큰의 perplexity가 개선되는 것을 관찰했습니다. 결정적으로, 이러한 개선에는 이러한 작업에 대한 Fine-tuning이 필요하지 않습니다. Quiet-STaR은 보다 일반적이고 확장 가능한 방식으로 추론하는 방법을 학습할 수 있는 LMs을 향한 한 걸음입니다.[|endofturn|]

글을 쓰고 말할 때 사람들은 생각을 하기 위해 멈추기도 합니다. 추론에 초점을 맞춘 연구에서는 추론을 질문에 답하거나 대리인의 작업을 완료하는 방법으로 묘사하는 경우가 많지만, 추론은 거의 모든 서면 텍스트에 암시되어 있습니다. 예를 들어, 이는 증명의 줄 사이에 명시되지 않은 단계 또는 대화의 기반이 되는 마음의 이론에 적용됩니다. 자기 가르침 추론자(STaR, Zelikman et al., 2022)에서는 질의응답에서 몇 번의 샷 예제에서 추론을 추론하고 정답으로 이어지는 예제에서 학습함으로써 유용한 사고를 학습합니다. 이는 매우 제한된 설정으로, 언어 모델이 대신 임의의 텍스트에서 명시되지 않은 근거를 추론하는 방법을 학습할 수 있다면 이상적입니다. 우리는 LM이 미래의 텍스트를 설명하기 위해 각 토큰에서 근거를 생성하여 예측을 개선하는 STaR의 일반화인 **Quiet-STaR**을 소개합니다. 1) 연속 생성의 계산 비용, 2) LM이 처음에는 내부 생각을 생성하거나 사용하는 방법을 모른다는 사실, 3) 개별 다음 토큰을 넘어 예측해야 한다는 점 등 주요 과제를 해결합니다. 이를 해결하기 위해 학습 가능한 토큰을 사용하여 생각의 시작과 끝을 나타내는 토큰과 확장된 교사 강제 기법을 사용하는 토큰별 병렬 샘플링 알고리즘을 제안합니다. 고무적인 점은 생성된 근거가 예측하기 어려운 토큰에 불균형적으로 도움이 되고 모델이 어려운 질문에 직접 답할 수 있는 능력을 향상시킨다는 점입니다. 특히, 인터넷 텍스트 코퍼스에 대해 Quiet-STaR을 사용하여 LM을 지속적으로 사전 학습한 후, GSM8K(5.9%\(\우측대각선\)10.9%)와 CommonsenseQA(36.3%\(\우측대각선\)47.2%)에서 0샷 개선을 발견했으며, 자연어 텍스트에서 어려운 토큰의 당혹감이 개선되는 것을 관찰했습니다. 결정적으로, 이러한 개선에는 이러한 작업에 대한 미세 조정이 필요하지 않습니다. Quiet-STaR은 보다 일반적이고 확장 가능한 방식으로 추론하는 방법을 학습할 수 있는 LM을 향한 한 걸음입니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]When writing and talking, people sometimes pause to think. Although reasoning-focused works have often framed reasoning as a method of answering questions or completing agentic tasks, reasoning is implicit in almost all written text. For example, this applies to the steps not stated between the lines of a proof or to the theory of mind underlying a conversation. In the Self-Taught Reasoner (STaR, Zelikman et al., 2022), useful thinking is learned by inferring rationales from few-shot examples in question-answering and learning from those that lead to a correct answer. This is a highly constrained setting - ideally, a language model could instead learn to infer unstated rationales in arbitrary text. We present **Quiet-STaR**, a generalization of STaR in which LMs learn to generate rationales at each token to explain future text, improving their predictions. We address key challenges, including 1) the computational cost of generating continuations, 2) the fact that the LM does not initially know how to generate or use internal thoughts, and 3) the need to predict beyond individual next tokens. To resolve these, we propose a tokenwise parallel sampling algorithm, using learnable tokens indicating a thought's start and end, and an extended teacher-forcing technique. Encouragingly, generated rationales disproportionately help model difficult-to-predict tokens and improve the LM's ability to directly answer difficult questions. In particular, after continued pretraining of an LM on a corpus of internet text with Quiet-STaR, we find zero-shot improvements on GSM8K (5.9%\(\rightarrow\)10.9%) and CommonsenseQA (36.3%\(\rightarrow\)47.2%) and observe a perplexity improvement of difficult tokens in natural text. Crucially, these improvements require no fine-tuning on these tasks. Quiet-STaR marks a step towards LMs that can learn to reason in a more general and scalable way. [|assistant|]

Hoffmann 등의 논문은 언어 모델링 커뮤니티에서 큰 영향력을 발휘했습니다. 이 연구 결과는 Google의 Gemini 제품군(Google, 2023)과 같은 주목할 만한 모델의 scaling 정책에 영향을 미쳤으며, 다른 많은 모델의 개발에도 영향을 미쳤을 가능성이 높습니다. 또한, 이 논문에 제시된 scaling law의 특정 매개변수 추정치는 머신 러닝 이론과 같은 과학적으로도 매우 중요한 의미를 지니고 있습니다. 이 연구의 광범위한 영향력을 고려할 때, 이 연구의 robustness와 reproducibility를 철저히 조사하는 것이 중요합니다.[|endofturn|]

Hoffmann 등의 논문은 언어 모델링 커뮤니티에서 큰 영향력을 발휘했습니다. 이 연구 결과는 Google의 Gemini 제품군(Google, 2023)과 같은 주목할 만한 모델의 확장 정책에 영향을 미쳤으며, 다른 많은 모델의 개발에도 영향을 미쳤을 가능성이 높습니다. 또한, 이 논문에 제시된 확장 법칙의 특정 매개변수 추정치는 머신 러닝 이론과 같은 과학적으로도 매우 중요한 의미를 지니고 있습니다. 이 연구의 광범위한 영향력을 고려할 때, 이 연구의 견고성과 재현 가능성을 철저히 조사하는 것이 중요합니다.[|endofturn|]

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

Lu et al.(2023)은 기계 번역을 향상시키기 위해 prompts에 다국어 사전을 도입합니다. Li et al. (2023)은 쿼리 생성기를 통해 지식 베이스에서 구조화된 지식을 획득하여 지식 기반 추론을 수행하는 Chain-of-Knowledge(CoK-Li)를 제안합니다. Wang et al. (2023)(CoK-Wang)도 KB에서 구조화된 지식을 검색합니다. 또한 사실성과 충실성 측면에서 추론 사슬을 추정하고 모델이 신뢰할 수 없는 추론을 다시 생각하도록 prompts하여 CoK-Li의 지식 검색 오류를 완화합니다. KD-CoT Wang et al. (2023)은 다중 턴 QA 접근 방식을 통해 사실 추론 문제를 해결합니다. 이들은 QA의 각 라운드에서 관련 외부 지식을 검색하기 위해 feedback-augmented retriever를 설계하여 추론 과정을 보정합니다. 다른 연구에서는 모델 자체의 메모리를 외부 지식으로 사용합니다. 예를 들어, Memory-of-Thought Li and Qiu (2023)는 먼저 사전 생각을 수행하여 신뢰도가 높은 생각을 외부 메모리에 저장하고, 추론 중에 LLM이 관련 메모리를 불러오도록 하여 추론을 지원합니다.[|endofturn|]

Lu et al.(2023)은 기계 번역을 향상시키기 위해 프롬프트에 다국어 사전을 도입합니다. Li et al. (2023)은 쿼리 생성기를 통해 지식 베이스에서 구조화된 지식을 획득하여 지식 기반 추론을 수행하는 Chain-of-Knowledge(CoK-Li)를 제안합니다. Wang et al. (2023)(CoK-Wang)도 KB에서 구조화된 지식을 검색합니다. 또한 사실성과 충실성 측면에서 추론 사슬을 추정하고 모델이 신뢰할 수 없는 추론을 다시 생각하도록 프롬프트하여 CoK-Li의 지식 검색 오류를 완화합니다. KD-CoT Wang et al. (2023)은 다중 턴 QA 접근 방식을 통해 사실 추론 문제를 해결합니다. 이들은 QA의 각 라운드에서 관련 외부 지식을 검색하기 위해 피드백 증강 검색기를 설계하여 추론 과정을 보정합니다. 다른 연구에서는 모델 자체의 메모리를 외부 지식으로 사용합니다. 예를 들어, Memory-of-Thought Li and Qiu (2023)는 먼저 사전 생각을 수행하여 신뢰도가 높은 생각을 외부 메모리에 저장하고, 추론 중에 LLM이 관련 메모리를 불러오도록 하여 추론을 지원합니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Lu et al. (2023) introduces multilingual dictionaries in prompts to enhance machine translation. Li et al. (2023) proposes chain-of-knowledge (CoK-Li), which obtains structured knowledge from a knowledge base via a query generator to perform knowledge-guided reasoning. Wang et al. (2023) (CoK-Wang) also retrieves structured knowledge from KB. Moreover, it estimates the reasoning chains in terms of factuality and faithfulness and prompts models to rethink unreliable reasonings, which mitigates the knowledge retrieval errors in CoK-Li. KD-CoT Wang et al. (2023) addresses factual reasoning problems through a multi-turn QA approach. They design a feedback-augmented retriever for retrieving relevant external knowledge in each round of QA to calibrate the reasoning process. Other studies use the model's own memory as external knowledge. For example, Memory-of-Thought Li and Qiu (2023) first performs pre-thinking to save the high-confidence thoughts into external memory, and during inference, it lets the LLM recall relevant memory to aid reasoning. [|assistant|]

BM25에 사용되는 토큰의 길이가 다양함에 따라 BM25로 검색된 구절의 길이를 늘리면 전체 성능이 향상됩니다(Figure 12). 그러나 이 접근 방식은 전체 책의 내용으로 모델에 prompting하는 가장 성능이 좋은 방법보다 신뢰할 수 없는 주장을 식별하는 데는 여전히 덜 효과적입니다. 이는 더 긴 구절조차도 광범위한 주장의 검증에 필요한 전체 context를 제공하지 못하기 때문일 수 있습니다.[|endofturn|]

BM25에 사용되는 토큰의 길이가 다양함에 따라 BM25로 검색된 구절의 길이를 늘리면 전체 성능이 향상됩니다(그림 12). 그러나 이 접근 방식은 전체 책의 내용으로 모델에 프롬프트하는 가장 성능이 좋은 방법보다 신뢰할 수 없는 주장을 식별하는 데는 여전히 덜 효과적입니다. 이는 더 긴 구절조차도 광범위한 주장의 검증에 필요한 전체 컨텍스트를 제공하지 못하기 때문일 수 있습니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Varying length of tokens used in BM25As we increase the length of BM25-retrieved passages, the overall performance improves (Figure 12). However, this approach remains less effective for identifying unfaithful claims than our best performing method, i.e., prompting the model with the content of the entire book. This is likely due to the fact that even longer passages may not provide the entire context needed for verification of broader claims. [|assistant|]

* **작업 동적 예측에 대한 연구 결과:** LLM의 훈련 과정에서 도메인 내 기존 다운스트림 작업의 역학이 보이지 않는 작업의 역학을 예측할 수 있다는 것을 관찰했습니다. 이는 알려진 작업에 대한 모델의 성능이 동일한 도메인 내에서 보이지 않는 유사한 작업에서 어떻게 수행되는지에 대한 정보를 제공할 수 있음을 시사합니다. (4.1.1절) * **범용성 향상에 대한 연구 결과:** 인간의 인지 과정과 유사하게, 다양한 도메인에 걸친 다양한 능력의 향상은 커리큘럼 학습에 따라 기초부터 고급 단계까지 진행됩니다. 도메인 간 커리큘럼은 모델의 훈련 방향을 안내할 수 있으며, 한 도메인에서 얻은 인사이트는 잠재적으로 다른 도메인의 학습 과정을 촉진할 수 있습니다. (4.1.2절) * **훈련 전략, 모델 아키텍처 등의 효과에 대한 연구 결과:** 7b 규모의 여러 모델(Baichuan2-7b, DeepSeek-7b, OpenLLaMA-7b, Amber-7b)의 결과를 바탕으로 훈련 전략, 데이터 세트 품질, 모델 아키텍처의 효과를 종합적으로 분석합니다. 예를 들어, 훈련 데이터 세트, Learning Rate 조정, Batch Size, 정규화 기법이 초기 훈련 단계의 학습 효율성에 중요한 역할을 한다는 것을 관찰했습니다(4.2.1절). * **추론 작업에 대한 모델 규모의 효과에 대한 연구 결과:** Deepseek-7b, 34b 및 67b의 결과를 바탕으로 모델 규모와 복잡성이 이러한 추론 작업에 대한 능력에 큰 영향을 미친다는 것을 관찰했습니다. 그럼에도 불구하고 특정 전략을 사용하면 소규모 모델이 더 큰 모델과 비교했을 때 상식적 추론에서 유사한 성능을 얻을 수 있습니다. (4.2.2절) * **Scaling 법칙에 대한 연구 결과:** (1). 훈련 데이터 세트가 클수록 다양한 벤치마크에서 모델 성능이 향상되는 것을 관찰할 수 있으며, 이는 LLM 훈련에 광범위한 훈련 데이터의 효과를 보여줍니다. 그러나 데이터셋이 커질수록 추가 데이터의 이점이 감소하여 성능 향상에 대한 한계에 가까워지는 것을 알 수 있습니다. (2). Scaling 법칙(Hoffmann et al., 2022)의 정확도가 모델마다 크게 다르다는 것을 관찰할 수 있는데, 이는 모델 아키텍처 및 계산 복잡성과 같은 요인이 Scaling 효율성에 큰 영향을 미친다는 것을 나타냅니다. 특히 일부 모델은 이 법칙에 더 잘 부합하는 것으로 나타나 데이터 활용 및 학습 효율성 측면에서 잠재적인 이점을 시사합니다. (3). Scaling 법칙은 훈련 데이터 크기의 영향에 대한 유용한 관점을 제공할 수 있지만, 실제 성능 Scaling은 미묘한 차이를 보이며, 이는 데이터 볼륨, 모델 아키텍처 및 계산 전략 간의 복잡한 상호 작용을 반영합니다. 이는 또한 사용 가능한 데이터에서 학습 결과를 극대화하기 위해 Scaling 법칙과 모델 최적화에 대한 지속적인 연구의 중요성을 강조합니다(섹션 5).[|endofturn|]

* **작업 동적 예측에 대한 연구 결과:** LLM의 훈련 과정에서 도메인 내 기존 다운스트림 작업의 역학이 보이지 않는 작업의 역학을 예측할 수 있다는 것을 관찰했습니다. 이는 알려진 작업에 대한 모델의 성능이 동일한 도메인 내에서 보이지 않는 유사한 작업에서 어떻게 수행되는지에 대한 정보를 제공할 수 있음을 시사합니다. (4.1.1절)* **범용성 향상에 대한 연구 결과:** 인간의 인지 과정과 유사하게, 다양한 도메인에 걸친 다양한 능력의 향상은 커리큘럼 학습에 따라 기초부터 고급 단계까지 진행됩니다. 도메인 간 커리큘럼은 모델의 훈련 방향을 안내할 수 있으며, 한 도메인에서 얻은 인사이트는 잠재적으로 다른 도메인의 학습 과정을 촉진할 수 있습니다. (4.1.2절)* **훈련 전략, 모델 아키텍처 등의 효과에 대한 연구 결과: ** 7b 규모의 여러 모델(Baichuan2-7b, DeepSeek-7b, OpenLLaMA-7b, Amber-7b)의 결과를 바탕으로 훈련 전략, 데이터 세트 품질, 모델 아키텍처의 효과를 종합적으로 분석합니다. 예를 들어, 훈련 데이터 세트, 학습 속도 조정, 배치 크기, 정규화 기법이 초기 훈련 단계의 학습 효율성에 중요한 역할을 한다는 것을 관찰했습니다(4.2.1절). * **추론 작업에 대한 모델 규모의 효과에 대한 연구 결과: ** Deepseek-7b, 34b 및 67b의 결과를 바탕으로 모델 규모와 복잡성이 이러한 추론 작업에 대한 능력에 큰 영향을 미친다는 것을 관찰했습니다. 그럼에도 불구하고 특정 전략을 사용하면 소규모 모델이 더 큰 모델과 비교했을 때 상식적 추론에서 유사한 성능을 얻을 수 있습니다. (4.2.2절)* **스케일링 법칙에 대한 연구 결과:** (1). 훈련 데이터 세트가 클수록 다양한 벤치마크에서 모델 성능이 향상되는 것을 관찰할 수 있으며, 이는 LLM 훈련에 광범위한 훈련 데이터의 효과를 보여줍니다. 그러나 데이터셋이 커질수록 추가 데이터의 이점이 감소하여 성능 향상에 대한 한계에 가까워지는 것을 알 수 있습니다. (2). 스케일링 법칙(Hoffmann et al., 2022)의 정확도가 모델마다 크게 다르다는 것을 관찰할 수 있는데, 이는 모델 아키텍처 및 계산 복잡성과 같은 요인이 스케일링 효율성에 큰 영향을 미친다는 것을 나타냅니다. 특히 일부 모델은 이 법칙에 더 잘 부합하는 것으로 나타나 데이터 활용 및 학습 효율성 측면에서 잠재적인 이점을 시사합니다. (3). 스케일링 법칙은 훈련 데이터 크기의 영향에 대한 유용한 관점을 제공할 수 있지만, 실제 성능 스케일링은 미묘한 차이를 보이며, 이는 데이터 볼륨, 모델 아키텍처 및 계산 전략 간의 복잡한 상호 작용을 반영합니다. 이는 또한 사용 가능한 데이터에서 학습 결과를 극대화하기 위해 스케일링 법칙과 모델 최적화에 대한 지속적인 연구의 중요성을 강조합니다(섹션 5).[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]* **Findings on task dynamic prediction:** Within the training process of LLMs, we observe that the dynamics of existing downstream tasks within a domain can predict the dynamics of unseen tasks. This suggests that a model's performance on known tasks can inform us about how it might perform on similar, yet unseen tasks within the same domain. (Section 4.1.1) * **Findings on cross-domain promotion:** Similar to the human cognitive process, the enhancement of different abilities across various domains progresses from basic to advanced levels following curriculum learning. The curriculum between cross-domain tasks can guide the training direction of models and the insights gained from one domain can potentially promote the learning process of other domains. (Section 4.1.2) * **Findings on the effect of training strategies, model architecture, etc. :** Based on the results of several 7b-scale models (Baichuan2-7b, DeepSeek-7b, OpenLLaMA-7b, and Amber-7b), we comprehensively analyze the effect of training strategies, dataset quality, and model architecture in training LLMs. For example, we observe that the training dataset, learning rate adjustments, batch size, and regularization techniques play a significant role in the learning efficiency in the early training stage (Section 4.2.1). * **Findings on the effect of model scale on reasoning tasks:** Based on the results of Deepseek-7b, 34b and 67b, we observe that the model size and complexity significantly influence its ability on these reasoning tasks. Nonetheless, employing particular strategies can enhance smaller-scale models to obtain similar performance on commonsense reasoning when compared with their larger counterparts. (Section 4.2.2) * **Findings on the scaling law:** (1). We observe that larger training datasets lead to improved model performance on various benchmarks, which demonstrates the effect of extensive training data in training LLMs. However, the benefit of additional data diminishes as datasets grow, suggesting an approaching limit to performance gains. (2). We observe that the accuracies of the scaling law (Hoffmann et al., 2022) vary a lot across different models, which indicates that factors such as model architecture and computational complexity significantly influence scaling efficiency. Notably, some models demonstrate better alignment with the law, suggesting potential advantages in data utilization and learning efficiency. (3). Although the scaling law can provide a useful perspective on the impact of training data size, the actual performance scaling is nuanced, which reflects the complex interplay between data volume, model architecture, and computational strategies. This also highlights the importance of continued research into scaling laws and model optimization to maximize learning outcomes from available data (Section 5). [|assistant|]

명령어 미세 조정의 간섭을 제거하기 위해 Llama2-7b-base 모델을 사용하여 개선합니다. Fine-tuning 작업으로 인과적 언어 모델링을 선택하고 위키피디아 말뭉치에서 추출한 각 언어에 대해 \(200\)개의 문서로 구성된 데이터 세트를 생성합니다. 우리의 개선 사항은 이해와 생성 기능을 강화하는 데 초점을 맞추고 있으며, 추론 능력을 확장하거나 지식 기반을 넓히는 것은 보다 구체적인 데이터 준비가 필요할 수 있으므로 하지 않는다는 점에 유의해야 합니다. 따라서 타겟팅된 이해 및 생성 작업을 통해 개선 효과를 평가합니다. 자세한 실험 결과는 표 8에 나와 있습니다.[|endofturn|]

명령어 미세 조정의 간섭을 제거하기 위해 Llama2-7b-base 모델을 사용하여 개선합니다. 미세 조정 작업으로 인과적 언어 모델링을 선택하고 위키피디아 말뭉치에서 추출한 각 언어에 대해 \(200\)개의 문서로 구성된 데이터 세트를 생성합니다.4 우리의 개선 사항은 이해와 생성 기능을 강화하는 데 초점을 맞추고 있으며, 추론 능력을 확장하거나 지식 기반을 넓히는 것은 보다 구체적인 데이터 준비가 필요할 수 있으므로 하지 않는다는 점에 유의해야 합니다. 따라서 타겟팅된 이해 및 생성 작업을 통해 개선 효과를 평가합니다. 자세한 실험 결과는 표 8에 나와 있습니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]We employ Llama2-7b-base model for enhancement to eliminate the interference of instruction fine-tuning. We select causal language modeling as our fine-tuning task and create a dataset comprising \(200\) documents for each language, extracted from the Wikipedia corpus.4 It is important to note that our enhancements are focused on augmenting the model's capabilities in understanding and generation only; we do not extend its reasoning faculties or broaden its knowledge base as it may require more specific data preparation. Accordingly, we evaluate the efficacy of our enhancements through targeted understanding and generation tasks. Detailed experiment results are shown in Table 8. [|assistant|]

그림 A14: 반복 토큰과 D4(분홍색 선), 새로운 토큰을 무작위로 선택(가로 점선 회색 선), 데이터를 무작위로 반복(회색 선)을 비교한 그림입니다. 다양한 epoch 번호로 확인할 수 있습니다. Y축은 perplexity를 나타내고 X축은 epoch 수를 나타냅니다.[|endofturn|]

그림 A14: 반복 토큰과 D4(분홍색 선), 새로운 토큰을 무작위로 선택(가로 점선 회색 선), 데이터를 무작위로 반복(회색 선)을 비교한 그림입니다. 다양한 에포크 번호로 확인할 수 있습니다. Y축은 당혹감을 나타내고 X축은 에포크 수를 나타냅니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Figure A14: Comparison of repeating tokens with D4 (pink line), randomly selecting new tokens (horizontal dashed gray line), and randomly repeating data (gray line). We see with different epoch numbers. The y-axis denotes perplexity, and x-axis denotes number of epochs. [|assistant|]

이러한 모든 벤치마크는 여러 카테고리 또는 작업의 영어 Instructions로 구성되어 있습니다. 그러나 일반 지식 QA 및 코딩과 같은 몇 가지 일반적인 사용 사례를 공유하지만, 서로 다른 벤치마크에서 Instructions의 범위는 실제로 다릅니다. 예를 들어, Xu et al. (2023)은 Instruction 분포에서 Evol-Instruct가 Vicuna와 어떻게 다른지 자세히 설명합니다. Instruction 분포의 차이는 다양한 다운스트림 작업이 있는 실제 시나리오를 효과적으로 모방합니다.[|endofturn|]

이러한 모든 벤치마크는 여러 카테고리 또는 작업의 영어 명령어로 구성되어 있습니다. 그러나 일반 지식 QA 및 코딩과 같은 몇 가지 일반적인 사용 사례를 공유하지만, 서로 다른 벤치마크에서 명령어의 범위는 실제로 다릅니다. 예를 들어, Xu et al. (2023)은 명령어 분포에서 Evol-Instruct가 Vicuna와 어떻게 다른지 자세히 설명합니다. 명령어 분포의 차이는 다양한 다운스트림 작업이 있는 실제 시나리오를 효과적으로 모방합니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]All these benchmarks consist of English instructions from multiple categories or tasks. However, though sharing some common use cases such as general knowledge QA and coding, the coverage of the instructions in different benchmarks are indeed different. For example, Xu et al. (2023) discuss in detail how Evol-Instruct is different from Vicuna in instruction distribution. The difference between instruction distributions effectively mimic the practical scenario where we have different downstream tasks. [|assistant|]

* 1단계에서는 (1)과 (2)를 공동으로 최적화합니다. 관련성별 순위 지정 및 \(k=15\) 설정은 평균 Brier score를 가장 낮게 만듭니다. * 두 번째 단계에서는 (3) reasoning prompt를 최적화합니다. 시스템에서 기본 모델에서 3개의 예측을 이끌어내기 위해 15개의 후보 중 상위 3개의 prompt를 식별합니다(그림 15 참조).[|endofturn|]

* 1단계에서는 (1)과 (2)를 공동으로 최적화합니다. 관련성별 순위 지정 및 \(k=15\) 설정은 평균 브리어 점수를 가장 낮게 만듭니다. * 두 번째 단계에서는 (3) 추론 프롬프트를 최적화합니다. 시스템에서 기본 모델에서 3개의 예측을 이끌어내기 위해 15개의 후보 중 상위 3개의 프롬프트를 식별합니다(그림 15 참조).[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]* In the first stage, we jointly optimize (1) and (2). Ranking by relevance and setting \(k=15\) achieve the lowest average Brier score. * In the second stage, we optimize (3) the reasoning prompt. We identify the top 3 prompts out of 15 candidates to elicit 3 predictions from our base model in our system; see Figure 15 for the best one. [|assistant|]

새 토큰을 생성할 때 가장 많은 시간이 소요되는 단계는 데이터 전송 및 weight 계산과 관련이 있습니다. 주요 문제는 데이터 전송에 압도되는 상당한 시간으로, 종종 _memory wall_ 문제라고 합니다.[|endofturn|]

새 토큰을 생성할 때 가장 많은 시간이 소요되는 단계는 데이터 전송 및 가중치 계산과 관련이 있습니다. 주요 문제는 데이터 전송에 압도되는 상당한 시간으로, 종종 _메모리 벽_ 문제라고 합니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]When generating a new token, the most time-consuming steps revolve around data transfer and weight computation. A main issue is the significant amount of time overwhelmed by data transfer, often referred to as the _memory wall_ issue. [|assistant|]

**정보 검색(IR).** IR은 LMs(Lewis et al., 2020; Shuster et al., 2021; Nakano et al., 2021)의 질문-답변 기능을 향상시킬 수 있습니다. 이벤트 예측에서는 다양하고 최신 정보에 대한 액세스가 매우 중요합니다(Tetlock and Gardner, 2015). 따라서 우리 시스템의 핵심 구성 요소는 질의 확장, 관련성 순위 및 요약을 위해 LMs을 사용하여 추론 모델에 뉴스 기사를 제공하는 IR 아키텍처입니다. 이 설정 외에도 IR에 LMs을 사용하는 것은 활발한 연구 주제입니다(Zhu et al., 2024).[|endofturn|]

**정보 검색(IR).** IR은 LM(Lewis et al., 2020; Shuster et al., 2021; Nakano et al., 2021)의 질문-답변 기능을 향상시킬 수 있습니다. 이벤트 예측에서는 다양하고 최신 정보에 대한 액세스가 매우 중요합니다(Tetlock and Gardner, 2015). 따라서 우리 시스템의 핵심 구성 요소는 질의 확장, 관련성 순위 및 요약을 위해 LM을 사용하여 추론 모델에 뉴스 기사를 제공하는 IR 아키텍처입니다. 이 설정 외에도 IR에 LM을 사용하는 것은 활발한 연구 주제입니다(Zhu et al., 2024).[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]**Information retrieval (IR).** IR can improve question-answering capabilities of LMs (Lewis et al., 2020; Shuster et al., 2021; Nakano et al., 2021). In event forecasting, access to diverse, up-to-date information is crucial (Tetlock and Gardner, 2015). Thus, a key component of our system is an IR architecture that furnishes the reasoning model with news articles, using LMs for query expansion, relevance ranking and summarization. Beyond our setting, using LMs for IR is an active research topic (Zhu et al., 2024). [|assistant|]

Instructions는 다양한 일반 작업에서 인상적인 결과를 얻을 수 있습니다. 다른 연구에서는 수학 및 코딩 작업에서 데이터 크기에 따라 성능이 달라진다는 사실이 밝혀졌습니다(Dong et al., 2023). 최근 연구에서는 150만 개의 데이터를 사용하여 Instruction Fine-tuning을 통해 최고 성능을 얻기도 했습니다(Bi et al., 2024). 그러나 이러한 scaling 효과의 본질적인 이유는 철저히 조사되지 않았습니다.[|endofturn|]

지침은 다양한 일반 작업에서 인상적인 결과를 얻을 수 있습니다. 다른 연구에서는 수학 및 코딩 작업에서 데이터 크기에 따라 성능이 달라진다는 사실이 밝혀졌습니다(Dong et al., 2023). 최근 연구에서는 150만 개의 데이터를 사용하여 지시 미세 조정을 통해 최고 성능을 얻기도 했습니다(Bi et al., 2024). 그러나 이러한 확장 효과의 본질적인 이유는 철저히 조사되지 않았습니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]instructions can yield impressive results in various general tasks. Other studies have indicated that performance scales with data size in mathematical and coding tasks Dong et al. (2023). Recent work Bi et al. (2024) even uses 1.5 million data for instruct fine-tuning to obtain top performance. However, the intrinsic reasons behind this scaling effect have not been thoroughly investigated. [|assistant|]

수학적 능력은 오랫동안 매우 어려운 것으로 간주되어 일반적인 Large Language Models (LLMs)에서 매우 큰 규모에서만 나타날 수 있다고 생각되어 왔습니다. 예를 들어, (Wei et al., 2022, 2020)의 연구에 따르면 500억 개 이상의 파라미터를 가진 모델에서만 수학 문제에 대한 의미 있는 정확도를 달성하거나 chain-of-thought processing의 이점을 누릴 수 있다고 합니다. 더 작은 언어 모델에 수학적 능력을 부여하는 전략에는 수십억 개의 수학 관련 사전 학습 데이터에 대해 학습된 수학 특화 base models을 만드는 것이 포함됩니다(Lewkowycz et al., 2022; Azerbayev et al., 2023). 그러나 이러한 모델의 정확도는 미미한 수준에 머물러 있습니다. 예를 들어, Lemma-7B(Azerbayev et al., 2023)는 GSM8K 데이터 세트(Cobbe et al., 2021)에서 36.4%, MATH 데이터 세트(Hendrycks et al., 2021)에서 18.0%의 정확도만 달성합니다.[|endofturn|]

수학적 능력은 오랫동안 매우 어려운 것으로 간주되어 일반적인 언어 모델에서 매우 큰 규모에서만 나타날 수 있다고 생각되어 왔습니다. 예를 들어, (Wei et al., 2022, 2020)의 연구에 따르면 500억 개 이상의 파라미터를 가진 모델에서만 수학 문제에 대한 의미 있는 정확도를 달성하거나 생각의 연쇄 처리의 이점을 누릴 수 있다고 합니다. 더 작은 언어 모델에 수학적 능력을 부여하는 전략에는 수십억 개의 수학 관련 사전 학습 데이터에 대해 학습된 수학 특화 기반 모델을 만드는 것이 포함됩니다(Lewkowycz et al., 2022; Azerbayev et al., 2023). 그러나 이러한 모델의 정확도는 미미한 수준에 머물러 있습니다. 예를 들어, 레마-7B(Azerbayev et al., 2023)는 GSM8K 데이터 세트(Cobbe et al., 2021)에서 36.4%, MATH 데이터 세트(Hendrycks et al., 2021)에서 18.0%의 정확도만 달성합니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Mathematical capabilities have long been considered so challenging that they are thought to emerge in common language models only at a very large scale. For instance, studies by (Wei et al., 2022, 2020) suggest that only models with size exceeding 50 billion parameters can attain meaningful accuracy or benefit from chain-of-thought processing on math problems. A strategy to equip smaller language models with mathematical abilities involves creating math-specific base models trained on hundreds of billions of math-related pre-training data (Lewkowycz et al., 2022; Azerbayev et al., 2023). However, the accuracy of such models remains modest; for example, Lemma-7B (Azerbayev et al., 2023) only achieves 36.4% on the GSM8K dataset (Cobbe et al., 2021) and 18.0% on the MATH dataset (Hendrycks et al., 2021). [|assistant|]

**콘텐츠 계획**. 이 설문조사에 새로운 콘텐츠를 정기적으로 포함시켜 보다 자체적으로 완성되고 최신 상태를 유지할 것입니다. 다음은 다음 주요 버전에 포함될 수 있는 몇 가지 잠재적 주제입니다: (1) Instruction Tuning과 능력 평가 모두에 대해 더 큰 Large Language Models (LLMs)를 사용한 실험, (2) 더 자세한 프롬프트 연습, (3) 교육 레시피, (4) 더 많은 이론적 분석 및 토론, (5) 애플리케이션에 대한 더 많은 토론.[|endofturn|]

**콘텐츠 계획**. 이 설문조사에 새로운 콘텐츠를 정기적으로 포함시켜 보다 자체적으로 완성되고 최신 상태를 유지할 것입니다. 다음은 다음 주요 버전에 포함될 수 있는 몇 가지 잠재적 주제입니다: (1) 명령어 튜닝과 능력 평가 모두에 대해 더 큰 언어 모델을 사용한 실험, (2) 더 자세한 프롬프트 연습, (3) 교육 레시피, (4) 더 많은 이론적 분석 및 토론, (5) 애플리케이션에 대한 더 많은 토론.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]**Planning Content.** We will regularly include new content into this survey, to make it more self-contained and up-to-date. Here, we list several potential topics that might appear in the next major version(s): (1) more experiments with larger language models for both instruction tuning and ability evaluation; (2) more detailed prompting practice; (3) training recipe; (4) more theoretical analysis and discussion; (5) more discussions on applications. [|assistant|]

데이터 대 모델 비율이 클수록 이전보다 더 작은 모델에 더 많은 데이터를 흡수할 수 있으므로 추론 및 배포에 더 효율적입니다. 또한 WSD LRS가 더 많은 연구자들이 더 적은 노력으로 \(L(N,D)\)를 탐구하고 LLMs에서 관계를 더 명확하게 만들 수 있도록 도와주기를 바랍니다.[|endofturn|]

데이터 대 모델 비율이 클수록 이전보다 더 작은 모델에 더 많은 데이터를 흡수할 수 있으므로 추론 및 배포에 더 효율적입니다. 또한 WSD LRS가 더 많은 연구자들이 더 적은 노력으로 \(L(N,D)\)를 탐구하고 LLM에서 관계를 더 명확하게 만들 수 있도록 도와주기를 바랍니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Larger data-to-model ratio means that we can absorb more data into the a smaller model than we previously thought, which is more efficient for inference and deployment. And we hope WSD LRS will help more researchers to explore \(L(N,D)\) with less efforts and make the relationship clearer in LLMs. [|assistant|]

_약한 분포 이동과 강한 분포 이동 모두에 대해, 간단하고 확장 가능한 Learning Rate 재가열, Learning Rate 재감쇠 및 재생의 조합을 활용하여 \(\mathcal{D}_{0}\cup\mathcal{D}_{1}\)에 대해 학습된 모델과 경쟁력 있는 성능을 달성할 수 있다.[|endofturn|]

_약한 분포 이동과 강한 분포 이동 모두에 대해, 간단하고 확장 가능한 LR 재가열, LR 재감쇠 및 재생의 조합을 활용하여 \(\mathcal{D}_{0}\cup\mathcal{D}_{1}\)에 대해 학습된 모델과 경쟁력 있는 성능을 달성할 수 있다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]_In summary, for weak and stronger distribution shifts alike, it is possible to achieve competitive performance to a model trained on \(\mathcal{D}_{0}\cup\mathcal{D}_{1}\) by utilizing a simple and scalable combination of LR re-warming, LR re-decaying, and replay. [|assistant|]

* **NeuLab-TedTalks2**Qi et al. (2018): 전 세계 자원봉사자 커뮤니티에 의해 수많은 저자원 언어로 번역된 TED 강연의 공통 코퍼스입니다. 저희는 출력 형식 실험을 위해 영어와 Traditional Chinese 하위 집합에서 정렬된 문장 2000개를 무작위로 선택했습니다. 이 말뭉치는 OPUS Tiedemann(2012)에서 다운로드했습니다.[|endofturn|]

* **NeuLab-TedTalks2**Qi et al. (2018): 전 세계 자원봉사자 커뮤니티에 의해 수많은 저자원 언어로 번역된 TED 강연의 공통 코퍼스입니다. 저희는 출력 형식 실험을 위해 영어와 중국어(중국어) 하위 집합에서 정렬된 문장 2000개를 무작위로 선택했습니다. 이 말뭉치는 OPUS Tiedemann(2012)에서 다운로드했습니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]* **NeuLab-TedTalks2**Qi et al. (2018): A common corpus of TED talks, translated into numerous low-resource languages by a global community of volunteers. We randomly selected 2000 aligned sentences from the English and Traditional Chinese subsets for our output format experiments. We download the corpus from OPUS Tiedemann (2012). [|assistant|]

7천만 파라미터 모델인 Pythia Biderman 등(2023)부터 1,800억 파라미터 모델인 Falcon Almazrouei 등(2023)에 이르기까지 다양한 오픈 소스 Large Language Models (LLMs)를 백본으로 사용할 수 있습니다. 이 연구에서는 벤치마크와 작업 전반에서 높은 성능을 달성하는 70억 파라미터 오픈 소스 모델인 Mistral 7B 모델을 선택했습니다(Jiang et al., 2023).[|endofturn|]

7천만 파라미터 모델인 Pythia Biderman 등(2023)부터 1,800억 파라미터 모델인 Falcon Almazrouei 등(2023)에 이르기까지 다양한 오픈 소스 대규모 언어 모델을 백본으로 사용할 수 있습니다. 이 연구에서는 벤치마크와 작업 전반에서 높은 성능을 달성하는 70억 파라미터 오픈 소스 모델인 Mistral 7B 모델을 선택했습니다(Jiang et al., 2023).[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]A wide range of open-source large language models is available for the backbone, spanning from \(70\) million parameter models like Pythia Biderman et al. (2023) to \(180\) billion parameter models like Falcon Almazrouei et al. (2023). In this work, we choose the Mistral 7B model, a \(7\) billion parameter open-source model that achieves high performance across benchmarks and tasks Jiang et al. (2023). [|assistant|]

MHA의 경우, 각 시퀀스 요소에 대해 \(H\) 개의 attention 컨텍스트 벡터를 병렬로 계산하고, 이를 2차원을 따라 연결한 다음, 최종적으로 연결된 벡터를 모델 공간에 투영하여 attention 산출물을 얻는다.[|endofturn|]

MHA의 경우, 각 시퀀스 요소에 대해 \(H\) 개의 주의 컨텍스트 벡터를 병렬로 계산하고, 이를 2차원을 따라 연결한 다음, 최종적으로 연결된 벡터를 모델 공간에 투영하여 주의 산출물을 얻는다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]For MHA, we compute \(H\) number of attention context vectors for each sequence element in parallel, concatenate them along the second dimension and then finally project the concatenated vector to the model space to obtain attention the output. [|assistant|]

그림 2: 다국어 문서에 적용된 monolingual (English) tokenizer와 multilingual tokenizer 간의 패리티 점수 비교.[|endofturn|]

그림 2: 다국어 문서에 적용된 단일 언어(영어) 토큰화기와 다국어 토큰화기 간의 패리티 점수 비교.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Figure 2: Comparison of parity scores between monolingual (English) tokenizer and multilingual tokenizers applied multi-lingual documents. [|assistant|]

첫 번째 LLaMA 모델 세트[32]는 2023년 2월에 7B에서 65B 파라미터 범위로 출시되었습니다. 이 모델들은 공개적으로 사용 가능한 데이터 세트에서 수집한 수조 개의 토큰에 대해 사전 학습을 거쳤습니다. LLaMA는 GPT-3의 Transformer 아키텍처를 사용하며, (1) ReLU 대신 SwiGLU 활성화 함수 사용, (2) 절대 위치 임베딩 대신 로터리 위치 임베딩 사용, (3) 표준 레이어 정규화 대신 루트 평균 제곱 레이어 정규화 사용 등 몇 가지 작은 아키텍처 수정이 이루어졌습니다. 오픈 소스 LLaMA-13B 모델은 대부분의 벤치마크에서 독점 GPT-3(175B) 모델을 능가하므로 LLM 연구를 위한 좋은 기준이 될 수 있습니다.[|endofturn|]

첫 번째 LLaMA 모델 세트[32]는 2023년 2월에 7B에서 65B 파라미터 범위로 출시되었습니다. 이 모델들은 공개적으로 사용 가능한 데이터 세트에서 수집한 수조 개의 토큰에 대해 사전 학습을 거쳤습니다. LLaMA는 GPT-3의 트랜스포머 아키텍처를 사용하며, (1) ReLU 대신 SwiGLU 활성화 함수 사용, (2) 절대 위치 임베딩 대신 로터리 위치 임베딩 사용, (3) 표준 레이어 정규화 대신 루트 평균 제곱 레이어 정규화 사용 등 몇 가지 작은 아키텍처 수정이 이루어졌습니다. 오픈 소스 LLaMA-13B 모델은 대부분의 벤치마크에서 독점 GPT-3(175B) 모델을 능가하므로 LLM 연구를 위한 좋은 기준이 될 수 있습니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]The first set of LLaMA models [32] was released in February 2023, ranging from 7B to 65B parameters. These models are pre-trained on trillions of tokens, collected from publicly available datasets. LLaMA uses the transformer architecture of GPT-3, with a few minor architectural modifications, including (1) using a SwiGLU activation function instead of ReLU, (2) using rotary positional embeddings instead of absolute positional embedding, and (3) using root-mean-squared layer-normalization instead of standard layer-normalization. The open-source LLaMA-13B model outperforms the proprietary GPT-3 (175B) model on most benchmarks, making it a good baseline for LLM research. [|assistant|]

그림 35: 순차적 bigram 데이터: 상위 p = 0.95는 꼬리 좁히기와 유사한 효과를 가져옵니다. 시퀀스 길이가 100인 1000개의 데이터입니다.[|endofturn|]

그림 35: 순차적 바이그램 데이터: 상위 p = 0.95는 꼬리 좁히기와 유사한 효과를 가져옵니다. 시퀀스 길이가 100인 1000개의 데이터입니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Figure 35: Sequential bigram data: top p = 0.95 leads to similar effect as tail narrowing. 1000 data with sequence length 100. [|assistant|]

**Memory update.** 검색이 완료되면 메모리와 정규화 항을 새 KV 항목으로 업데이트하고 다음 상태를 다음과 같이 얻습니다.[|endofturn|]

**메모리 업데이트**. 검색이 완료되면 메모리와 정규화 항을 새 KV 항목으로 업데이트하고 다음 상태를 다음과 같이 얻습니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]**Memory update.** Once the retrieval is done, we update the memory and the normalization term with the new KV entries and obtain the next states as [|assistant|]

지식은 인간 지능의 핵심 요소 중 하나이며, 오랜 역사를 통해 축적되어 왔습니다. GPT-4와 같은 Large Language Models (LLMs)는 정교한 논리뿐만 아니라 뛰어난 지식 기반으로 인정받고 있습니다. GPT-4의 파라미터가 1T 이상이라는 소문이 있지만, _인간의 모든 지식을 저장해야 하는 것은 아닌가요?_ 고품질 데이터로 충분히 학습된 10B 모델이 GPT-4의 지식 능력에 필적할 수 있을까요? 저희 논문은 이러한 질문에 답하고자 합니다.[|endofturn|]

지식은 인간 지능의 핵심 요소 중 하나이며, 오랜 역사를 통해 축적되어 왔습니다. GPT-4와 같은 대규모 언어 모델은 정교한 논리뿐만 아니라 뛰어난 지식 기반으로 인정받고 있습니다. GPT-4의 파라미터가 1T 이상이라는 소문이 있지만, _인간의 모든 지식을 저장해야 하는 것은 아닌가요?_ 고품질 데이터로 충분히 학습된 100억 개 모델이 GPT-4의 지식 능력에 필적할 수 있을까요? 저희 논문은 이러한 질문에 답하고자 합니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Knowledge is a, if not the, pivotal component of human intelligence, accumulated over our extensive history. Large language models like GPT-4 are celebrated not just for their sophisticated logic but also for their superior knowledge base. Despite rumors of GPT-4 having over 1T parameters, _is it necessary to store all human knowledge?_ Could a 10B model, if trained sufficiently with high-quality data, match GPT-4's knowledge capacity? Our paper seeks to address these questions. [|assistant|]

고품질의 시뮬레이션 대화를 대규모로 생성하기 위해 세 가지 핵심 구성 요소로 구성된 새로운 multi-agent 프레임워크를 개발했습니다:[|endofturn|]

고품질의 시뮬레이션 대화를 대규모로 생성하기 위해 세 가지 핵심 구성 요소로 구성된 새로운 다중 에이전트 프레임워크를 개발했습니다:[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]In order to produce high-quality simulated dialogues at scale, we developed a novel multi-agent framework which comprised three key components: [|assistant|]

**RQ1. LLM이 2-hop 프롬프트를 처리하는 동안 첫 번째 hop 추론을 얼마나 자주 수행하나요?** 첫 번째 hop 추론은 LLM이 설명적 언급에 대한 bridge entity를 기억하는 것으로 간주합니다. 따라서 프롬프트 내에서 LLM이 bridge entity의 설명적 언급을 접할 때 LLM의 내부에서 bridge entity의 호출 빈도를 조사합니다. 예를 들어, 프롬프트를 "'Thriller'의 가수의 어머니는"에서 "'Superstition'의 가수의 어머니는"으로 변경하면 LLM의 내부에서 Stevie Wonder에 대한 호출이 증가하는지 조사합니다.[|endofturn|]

**RQ1. LLM이 2홉 프롬프트를 처리하는 동안 첫 번째 홉 추론을 얼마나 자주 수행하나요?** 첫 번째 홉 추론은 LLM이 설명적 언급에 대한 브리지 엔티티를 기억하는 것으로 간주합니다. 따라서 프롬프트 내에서 LLM이 브리지 엔티티의 설명적 언급을 접할 때 LLM의 내부에서 브리지 엔티티의 호출 빈도를 조사합니다. 예를 들어, 프롬프트를 "'스릴러'의 가수의 어머니는"에서 "'과시증'의 가수의 어머니는"으로 변경하면 LLM의 내부에서 스티비 원더에 대한 호출이 증가하는지 조사합니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]**RQ1. How often does an LLM perform the first hop of reasoning while processing two-hop prompts?** We view the first-hop reasoning as the LLM's recall of the bridge entity for its descriptive mention. Therefore, we examine the frequency with which the LLM's internal recall of the bridge entity increases when it encounters a descriptive mention of the bridge entity within a prompt. For instance, we investigate whether altering the prompt from "The mother of the singer of _'Thriller'_ is" to "The mother of the singer of _'Superstition'_ is" increases the LLM's internal recall of Stevie Wonder. [|assistant|]

대규모 언어 모델(LLM)은 주로 파라미터 수가 수십에서 수백억 개에 달하는 Transformer 기반 신경 언어 모델을 말하며, 표 III에 요약된 것처럼 PaLM [31], LLaMA [32], GPT-4 [33]와 같이 방대한 텍스트 데이터에 대해 사전 학습을 거친 모델을 말합니다. LLM은 PLM에 비해 모델 크기가 훨씬 크기는 물론 언어 이해 및 생성 능력이 뛰어나며, 더 중요한 것은 소규모 언어 모델에는 없는 새로운 능력을 보여줍니다. 그림 1과 같이 이러한 새로운 능력에는 (1) 추론 시간에 프롬프트에 제시된 소수의 예제를 통해 새로운 작업을 학습하는 In-Context Learning, (2) 명시적인 예제를 사용하지 않고도 Instruction Tuning을 거친 후 새로운 유형의 작업에 대한 명령을 따를 수 있는 Instruction Following, (3) 연쇄 사고 프롬프트 [34]에서처럼 복잡한 작업을 중간 추론 단계로 분해하여 해결할 수 있는 다단계 추론 등이 있습니다. LLM은 외부 지식과 도구를 사용하여 증강할 수도 있으므로 사용자 및 환경과 효과적으로 상호 작용할 수 있으며 [35, 36] 상호 작용을 통해 수집한 피드백 데이터를 사용하여 (예: Reinforcement Learning from Human Feedback (RLHF)을 이용한 강화 학습) 지속적으로 자신을 개선할 수 있습니다.[|endofturn|]

대규모 언어 모델(LLM)은 주로 파라미터 수가 수십에서 수백억 개에 달하는 트랜스포머 기반 신경 언어 모델을 말하며, 표 III에 요약된 것처럼 PaLM [31], LLaMA [32], GPT-4 [33]와 같이 방대한 텍스트 데이터에 대해 사전 학습을 거친 모델을 말합니다. LLM은 PLM에 비해 모델 크기가 훨씬 크기는 물론 언어 이해 및 생성 능력이 뛰어나며, 더 중요한 것은 소규모 언어 모델에는 없는 새로운 능력을 보여줍니다. 그림 1과 같이 이러한 새로운 능력에는 (1) 추론 시간에 프롬프트에 제시된 소수의 예제를 통해 새로운 작업을 학습하는 인컨텍스트 학습, (2) 명시적인 예제를 사용하지 않고도 명령어 튜닝을 거친 후 새로운 유형의 작업에 대한 명령을 따를 수 있는 명령어 수행, (3) 연쇄 사고 프롬프트 [34]에서처럼 복잡한 작업을 중간 추론 단계로 분해하여 해결할 수 있는 다단계 추론 등이 있습니다. LLM은 외부 지식과 도구를 사용하여 증강할 수도 있으므로 사용자 및 환경과 효과적으로 상호 작용할 수 있으며 [35, 36] 상호 작용을 통해 수집한 피드백 데이터를 사용하여 (예: 사람과의 피드백(RLHF)을 이용한 강화 학습) 지속적으로 자신을 개선할 수 있습니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Large language models (LLMs) mainly refer to transformer-based neural language models 1 that contain tens to hundreds of billions of parameters, which are pre-trained on massive text data, such as PaLM [31], LLaMA [32], and GPT-4 [33], as summarized in Table III. Comparedto PLMs, LLMs are not only much larger in model size, but also exhibit stronger language understanding and generation abilities, and more importantly, emergent abilities that are not present in smaller-scale language models. As illustrated in Fig. 1, these emergent abilities include (1) in-context learning, where LLMs learn a new task from a small set of examples presented in the prompt at inference time, (2) instruction following, where LLMs, after instruction tuning, can follow the instructions for new types of tasks without using explicit examples, and (3) multi-step reasoning, where LLMs can solve a complex task by breaking down that task into intermediate reasoning steps as demonstrated in the chain-of-thought prompt [34]. LLMs can also be augmented by using external knowledge and tools [35, 36] so that they can effectively interact with users and environment [37], and continually improve itself using feedback data collected through interactions (e.g. via reinforcement learning with human feedback (RLHF)). [|assistant|]

마찬가지로, EHR 노트 요약 작업의 경우, AMIE는 임상 노트를 제공받아 노트의 요약을 생성하도록 프롬프트를 받았습니다. Medical reasoning/QA 및 long-form response generation 작업은 [13]에서와 동일한 설정을 따랐습니다. 특히 dialogue generation 및 long-form response generation을 제외한 모든 작업에는 추가 컨텍스트를 위한 작업별 Instructions 외에 few-shot (1~5) 예시가 포함되었습니다.[|endofturn|]

마찬가지로, EHR 노트 요약 작업의 경우, AMIE는 임상 노트를 제공받아 노트의 요약을 생성하도록 프롬프트를 받았습니다. 의료 추론/QA 및 장문 응답 생성 작업은 [13]에서와 동일한 설정을 따랐습니다. 특히 대화 생성 및 장문 응답 생성을 제외한 모든 작업에는 추가 컨텍스트를 위한 작업별 지침 외에 몇 개의 샷(1~5)의 예시가 포함되었습니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Similarly, for the EHR note summarization task, AMIE was provided with a clinical note and prompted to generate a summary of the note. Medical reasoning/QA and long-form response generation tasks followed the same setup as in [13]. Notably, all tasks except dialogue generation and long-form response generation incorporated few-shot (1-5) exemplars in addition to task-specific instructions for additional context. [|assistant|]

그림 15: 코사인 LRS와 WSD LRS를 비교하기 위해 그림 16: 두 가지 다른 함수 형태를 사용하여 WSD LRS가 달성한 데이터 scaling law에 맞춤화하고 power law를 최적의 적합도로 선택합니다.[|endofturn|]

그림 15: 코사인 LRS와 WSD LRS를 비교하기 위해 그림 16: 두 가지 다른 함수 형태를 사용하여 WSD LRS가 달성한 데이터 스케일링 법칙에 맞춤화하고 파워 로를 최적의 적합도로 선택합니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Figure 15: Illustrative comparison be- Figure 16: We use two different function tween Cosine LRS and WSD LRS. The forms to fit the data scaling law achieved WSD LRS with different end steps share by WSD LRS and choose power law as the same stable training stage. the best fit. [|assistant|]

Wei 외(2022)는 먼저 자연어 형식의 근거를 데모에 수동으로 제공하여 chain-of-thought prompting (Few-shot CoT)을 제안합니다. 추론 과정의 확실성을 보장하고 추론 경로와 답변 간의 불일치를 줄이기 위해 PAL Gao 외(2023), PoT Chen 외(2022), NLEP Zhang 외(2023)는 프로그래밍 언어를 주석 처리된 근거로 활용하여 문제 해결을 실행 가능한 Python 프로그램으로 변환합니다. 한편, 자연어와 프로그래밍 언어의 장점을 모두 살리고 추론 결과의 신뢰도를 높이기 위해 MathPromter Imani 외(2023)는 zero-shot chain-of-thought prompting을 사용하여 여러 대수식 또는 Python 함수를 생성하여 서로 검증하고 결과의 신뢰성을 향상시킬 수 있습니다. 또한, 추론 단계가 더 많은 체인과 같이 데모에서 샘플의 추론 복잡성이 높을수록 성능이 향상되므로 Fu 외(2023)는 complexity-based prompting을 제안하여 복잡도가 높은 근거들 간의 투표를 수행하여 최종 답을 얻습니다.[|endofturn|]

Wei 외(2022)는 먼저 자연어 형식의 근거를 데모에 수동으로 제공하여 연쇄 사고 프롬프트(Few-shot CoT)를 제안합니다. 추론 과정의 확실성을 보장하고 추론 경로와 답변 간의 불일치를 줄이기 위해 PAL Gao 외(2023), PoT Chen 외(2022), NLEP Zhang 외(2023)는 프로그래밍 언어를 주석 처리된 근거로 활용하여 문제 해결을 실행 가능한 Python 프로그램으로 변환합니다. 한편, 자연어와 프로그래밍 언어의 장점을 모두 살리고 추론 결과의 신뢰도를 높이기 위해 MathPromter Imani 외(2023)는 제로 샷 연쇄 사고 프롬프트를 사용하여 여러 대수식 또는 Python 함수를 생성하여 서로 검증하고 결과의 신뢰성을 향상시킬 수 있습니다. 또한, 추론 단계가 더 많은 체인과 같이 데모에서 샘플의 추론 복잡성이 높을수록 성능이 향상되므로 Fu 외(2023)는 복잡도 기반 프롬프트를 제안하여 복잡도가 높은 근거들 간의 투표를 수행하여 최종 답을 얻습니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Wei et al. (2022) first propose chain-of-thought prompting (Few-shot CoT) by manually providing natural language form rationales to the demonstrations. To further ensure certainty in the reasoning process and reduce inconsistencies between reasoning path and answers, PAL Gao et al. (2023), PoT Chen et al. (2022) and NLEP Zhang et al. (2023) leverage programming language as annotated rationales, which transforms the problem-solving into an executable Python program. Meanwhile, to take both advantages of natural language and programming language and raise the confidence of reasoning output, MathPromter Imani et al. (2023) uses the zero-shot chain-of-thought prompting to generate multiple algebraic expressions or Python functions, which can verify each other and improve the reliability of results. Furthermore, since the reasoning complexity of samples in demonstrations, such as chains with more reasoning steps, results in performance improvement Fu et al. (2023) proposes complexity-based prompting, where voting among high-complexity rationales is performed to get the final answer. [|assistant|]

우리는 다양한 downstream 작업에서 성능을 측정하는데, 이를 크게 다음과 같이 분류할 수 있다.[|endofturn|]

우리는 다양한 다운스트림 작업에서 성능을 측정하는데, 이를 크게 다음과 같이 분류할 수 있다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]We measure performance on a wide variety of downstream tasks, which can be broadly categorized as follows. [|assistant|]

주로 사전 학습 과정을 강조하는 대부분의 기존 코드 LLM과는 달리 코드 영역에서 세분화된 Instruction Tuning에 대한 탐구는 제한적이었습니다. Instruction Tuning은 처음에는 다양한 작업에 걸쳐 LM의 일반화 기능을 향상시키는 것을 목표로 했습니다[19; 20; 21; 22; 23; 24; 25]. 예를 들어, OpenAI의 InstructGPT [10]은 사용자의 의도에 맞게 조정하기 위해 명시적인 지침을 제공하기 위해 인간 주석가를 요청했습니다. 마찬가지로 Alpaca [26]와 같은 최근 연구에서는 ChatGPT가 Instruction 데이터를 생성하는 self-instruct [27] 방법을 사용했습니다. Vicuna [28]는 ShareGPT.com에서 수집한 사용자 공유 대화를 활용했습니다. WizardLM [29]은 더 복잡하고 다양한 데이터 세트를 생성하기 위해 기존 Instruction 데이터를 진화시키는 _Evol-Instruct_ 방법을 도입했습니다. 그러나 이러한 모든 접근 방식은 주로 일반 도메인에 초점을 맞추었으며 코드 도메인에 대한 구체적인 설계 고려 사항이 부족했다는 점에 유의할 필요가 있습니다.[|endofturn|]

주로 사전 학습 과정을 강조하는 대부분의 기존 코드 LLM과는 달리 코드 영역에서 세분화된 명령어 튜닝에 대한 탐구는 제한적이었습니다. 명령어 튜닝은 처음에는 다양한 작업에 걸쳐 LM의 일반화 기능을 향상시키는 것을 목표로 했습니다[19; 20; 21; 22; 23; 24; 25]. 예를 들어, OpenAI의 InstructGPT [10]은 사용자의 의도에 맞게 조정하기 위해 명시적인 지침을 제공하기 위해 인간 주석가를 요청했습니다. 마찬가지로 Alpaca [26]와 같은 최근 연구에서는 ChatGPT가 명령어 데이터를 생성하는 셀프 인스트럭트 [27] 방법을 사용했습니다. Vicuna [28]는 ShareGPT.com에서 수집한 사용자 공유 대화를 활용했습니다. WizardLM [29]은 더 복잡하고 다양한 데이터 세트를 생성하기 위해 기존 명령어 데이터를 진화시키는 _Evol-Instruct_ 방법을 도입했습니다. 그러나 이러한 모든 접근 방식은 주로 일반 도메인에 초점을 맞추었으며 코드 도메인에 대한 구체적인 설계 고려 사항이 부족했다는 점에 유의할 필요가 있습니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]In contrast to most previous Code LLMs that primarily emphasize the pre-training process, there has been limited exploration of fine-grained instruction tuning in the Code domain. The introduction of instruction tuning initially aimed to enhance the generalization capabilities of LMs across different tasks [19; 20; 21; 22; 23; 24; 25]. OpenAI's InstructGPT [10], for instance, involved soliciting human annotators to provide explicit instructions to ensure alignment with users' intentions. Similarly, recent works such as Alpaca [26] employed the self-instruct [27] method, where ChatGPT generated the instruction data. Vicuna [28] utilized user-shared conversations collected from ShareGPT.com. WizardLM [29] introduced the _Evol-Instruct_ method, which involved evolving existing instruction data to generate more complex and diverse datasets. However, it is worth noting that all these approaches primarily focused on the general domain and lacked specific design considerations for the code domain. [|assistant|]

에이전트벤치와 같은 일부 에이전트별 벤치마크는 웹 브라우징, 명령줄 인터페이스, 비디오 게임 등 다양한 환경에서 언어 모델 기반 에이전트를 평가합니다[17]. 이를 통해 에이전트가 주어진 작업을 달성하기 위해 추론, 계획, 도구 호출을 통해 새로운 환경에 얼마나 잘 일반화할 수 있는지를 더 잘 알 수 있습니다. Benchmarks인 AgentBench 및 SmartPlay와 같은 벤치마크는 구현의 성공률, 사람의 응답과의 출력 유사성, 전반적인 효율성을 평가하기 위해 고안된 객관적인 평가 지표를 도입했습니다[17; 30]. 이러한 객관적인 지표는 구현의 전반적인 신뢰성과 정확성을 이해하는 데 중요하지만, 보다 미묘하거나 주관적인 성능 측정도 고려하는 것이 중요합니다. 도구 사용 효율성, 신뢰성, 계획의 Robustness와 같은 지표는 성공률만큼이나 중요하지만 측정하기가 훨씬 더 어렵습니다. 이러한 지표 중 상당수는 전문가의 평가가 필요하기 때문에 LLM으로 심사하는 것에 비해 비용과 시간이 많이 소요될 수 있습니다.[|endofturn|]

에이전트벤치와 같은 일부 에이전트별 벤치마크는 웹 브라우징, 명령줄 인터페이스, 비디오 게임 등 다양한 환경에서 언어 모델 기반 에이전트를 평가합니다[17]. 이를 통해 에이전트가 주어진 작업을 달성하기 위해 추론, 계획, 도구 호출을 통해 새로운 환경에 얼마나 잘 일반화할 수 있는지를 더 잘 알 수 있습니다. 에이전트벤치 및 스마트플레이와 같은 벤치마크는 구현의 성공률, 사람의 응답과의 출력 유사성, 전반적인 효율성을 평가하기 위해 고안된 객관적인 평가 지표를 도입했습니다[17; 30]. 이러한 객관적인 지표는 구현의 전반적인 신뢰성과 정확성을 이해하는 데 중요하지만, 보다 미묘하거나 주관적인 성능 측정도 고려하는 것이 중요합니다. 도구 사용 효율성, 신뢰성, 계획의 견고성과 같은 지표는 성공률만큼이나 중요하지만 측정하기가 훨씬 더 어렵습니다. 이러한 지표 중 상당수는 전문가의 평가가 필요하기 때문에 LLM으로 심사하는 것에 비해 비용과 시간이 많이 소요될 수 있습니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Some agent specific benchmarks like AgentBench evaluate language model-based agents in a variety of different environments such as web browsing, command-line interfaces, and video games [17]. This provides a better indication for how well agents can generalize to new environments, by reasoning, planning, and calling tools to achieve a given task. Benchmarks like AgentBench and SmartPlay introduce objective evaluation metrics designed to evaluate the implementation's success rate, output similarity to human responses, and overall efficiency [17; 30]. While these objective metrics are important to understanding the overall reliability and accuracy of the implementation, it is also important to consider more nuanced or subjective measures of performance. Metrics such as efficiency of tool use, reliability, and robustness of planning are nearly as important as success rate but are much more difficult to measure. Many of these metrics require evaluation by a human expert, which can be costly and time consuming compared to LLM-as-judge evaluations. [|assistant|]

각 모델 크기에 대해 세 개의 Fine-tuning 시드를 훈련했기 때문에 결국 12개의 통계 테스트를 수행하게 됩니다. 결과는 그림 3에서 확인할 수 있습니다. Fine-tuning 시드 중 어느 것도 통계적으로 유의미한 \(p\)-값(\(p<0.05\))을 관찰할 수 없습니다.[|endofturn|]

각 모델 크기에 대해 세 개의 미세 조정 시드를 훈련했기 때문에 결국 12개의 통계 테스트를 수행하게 됩니다. 결과는 그림 3에서 확인할 수 있습니다. 미세 조정 시드 중 어느 것도 통계적으로 유의미한 \(p\)-값(\(p<0.05\))을 관찰할 수 없습니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Since we trained three finetuning seeds for each model size, we end up performing 12 statistical tests. The results can be found in Figure 3. We do not observe statistically significant \(p\)-values (\(p<0.05\)) for any of the finetuning seeds. [|assistant|]

이 섹션에서는 고정 컴퓨팅 설정을 고려하여 소스 데이터 집합의 크기(\(D_{source}\))를 공동으로 증가시키고 \(R\)(선택된 \(D_{source}\)의 비율)을 감소시켜 대상 토큰 예산이 일정하게 유지되도록 고정된 토큰 예산으로 큐레이션하고 훈련합니다. 이 설정은 Large Language Models (LLMs) 훈련의 가장 일반적인 패러다임과 유사합니다. \(D_{source}\)가 증가하고 \(R\)이 감소함에 따라 더 큰 초기 데이터 세트에서 선택하게 되고, 이로 인해 선택할 수 있는 고품질 데이터 포인트의 집합이 커지고 선택된 집합의 전반적인 품질이 향상됩니다. 명확성을 위해 \(D_{source}\)와 \(D_{target}\)의 비율의 함수로 성능을 플롯합니다. 각 설정에 대해 baseline, SemDeDup 단독, SSL Prototypes 단독 및 제안된 방법 D4의 성능을 평가합니다.[|endofturn|]

이 섹션에서는 고정 컴퓨팅 설정을 고려하여 소스 데이터 집합의 크기(\(D_{source}\))를 공동으로 증가시키고 \(R\)(선택된 \(D_{source}\)의 비율)을 감소시켜 대상 토큰 예산이 일정하게 유지되도록 고정된 토큰 예산으로 큐레이션하고 훈련합니다. 이 설정은 LLM 훈련의 가장 일반적인 패러다임과 유사합니다. D_{source}\)가 증가하고 \(R\)이 감소함에 따라 더 큰 초기 데이터 세트에서 선택하게 되고, 이로 인해 선택할 수 있는 고품질 데이터 포인트의 집합이 커지고 선택된 집합의 전반적인 품질이 향상됩니다. 명확성을 위해 \(D_{source}\)와 \(D_{target}\)의 비율의 함수로 성능을 플롯합니다. 각 설정에 대해 기준선, SemDeDup 단독, SSL 프로토타입 단독 및 제안된 방법 D4의 성능을 평가합니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]In this section, we consider the fixed compute setting, where we curate and train on a fixed token budget by jointly increasing the size of the source dataset \(D_{source}\) and decreasing \(R\) (the fraction of the \(D_{source}\) which is selected), such that the target token budget remains constant. This setting is analogous to the most common paradigm for LLM training. As \(D_{source}\) grows and \(R\) decreases, we select from larger and larger initial datasets, resulting in a larger set of high-quality data points to select from and increasing the overall quality of the selected set. For clarity, we plot performance as a function of the ratio of the \(D_{source}\) to \(D_{target}\). For each setting, we evaluate the performance of a baseline, SemDeDup alone, SSL Prototypes alone, and our proposed method D4. [|assistant|]

정확한 텍스트 매칭을 위해 Lee 등(2022)이 공개적으로 공개한 ExactSubstr 구현을 사용합니다. 정확한 하위 문자열 중복 제거를 미리 MinHash로 중복 제거한 데이터에 적용하여 작업해야 하는 데이터 세트의 크기를 거의 40%까지 줄일 수 있습니다. ExactSubstr은 여러 문서에서 문자 하나하나 그대로 존재하는 긴 텍스트 문자열을 찾습니다. 이 중 일부는 이전 단계의 approximate deduplication을 피할 수 있습니다. 문서에서 차지하는 비중이 크지 않을 수도 있고, 한 문서에 여러 문서에서 가져온 섹션이 반복될 수도 있으며, 단순히 MinHash의 approximate 특성으로 인해 발견되지 않았을 수도 있습니다.[|endofturn|]

정확한 텍스트 매칭을 위해 Lee 등(2022)이 공개적으로 공개한 ExactSubstr 구현을 사용합니다. 정확한 하위 문자열 중복 제거를 미리 MinHash로 중복 제거한 데이터에 적용하여 작업해야 하는 데이터 세트의 크기를 거의 40%까지 줄일 수 있습니다. ExactSubstr은 여러 문서에서 문자 하나하나 그대로 존재하는 긴 텍스트 문자열을 찾습니다. 이 중 일부는 이전 단계의 대략적인 중복 제거를 피할 수 있습니다. 문서에서 차지하는 비중이 크지 않을 수도 있고, 한 문서에 여러 문서에서 가져온 섹션이 반복될 수도 있으며, 단순히 MinHash의 대략적인 특성으로 인해 발견되지 않았을 수도 있습니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]We make use of the ExactSubstr implementation publicly released by Lee et al. (2022) for exact text matching. We apply exact substring deduplication to data that has already been deduplicated by MinHash, reducing by nearly 40% size of the dataset on which we have to operate. ExactSubstr will find long strings of text that are present, character for character, across multiple documents. Some of these may have escaped the earlier stage of approximate deduplication: they might not constitute a big enough portion of the document; one document might have repeated sections sourced across many different documents; or they may simply not have been found due to the approximate nature of MinHash. [|assistant|]

흥미롭게도 크기가 다른 LLaMA 모델(7B, 13B, 33B, 65B)의 대부분의 데이터 포인트는 동일한 상승 추세에 속합니다. 이 관찰 결과는 모델의 pre-training Loss가 모델 크기와 토큰 수에 관계없이 다운스트림 작업에서의 성능을 예측할 수 있다는 결론을 더욱 확증합니다. LLaMA-65B의 초기 단계에서 예외가 하나만 있다는 점에 유의하세요. Training Loss가 1.8보다 높을 때 LLaMA-65B는 동일한 Training Loss를 가진 더 작은 모델보다 성능이 떨어지는 것을 볼 수 있습니다. 중간 체크포인트에 액세스할 수 없어서 결과를 더 이상 분석할 수 없습니다. 이상값은 초기 10%의 Training Tokens으로만 구성된다는 점에 유의하세요.[|endofturn|]

흥미롭게도 크기가 다른 LLaMA 모델(7B, 13B, 33B, 65B)의 대부분의 데이터 포인트는 동일한 상승 추세에 속합니다. 이 관찰 결과는 모델의 사전 학습 손실이 모델 크기와 토큰 수에 관계없이 다운스트림 작업에서의 성능을 예측할 수 있다는 결론을 더욱 확증합니다. LLaMA-65B의 초기 단계에서 예외가 하나만 있다는 점에 유의하세요. 훈련 손실이 1.8보다 높을 때 LLaMA-65B는 동일한 훈련 손실을 가진 더 작은 모델보다 성능이 떨어지는 것을 볼 수 있습니다. 중간 체크포인트에 액세스할 수 없어서 결과를 더 이상 분석할 수 없습니다. 이상값은 초기 10%의 훈련 토큰으로만 구성된다는 점에 유의하세요.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Excitingly, most data points from the LLaMA models with different sizes (7B, 13B, 33B, 65B) fall on the same upwards trend. This observation further confirm our conclusion that the model's pre-training loss can predict its performance on downstream tasks, regardless of model size and token count. Note that there is one only exception at the early stage of LLaMA-65B. We can see that when the training loss is higher than 1.8, LLaMA-65B performs worse than smaller models with the same training loss. Without access to its intermediate checkpoints, we unfortunately cannot further analyze the result. Note that the outliers only constitute the initial 10% training tokens. [|assistant|]

* 데이터가 이미 수동으로 필터링/중복 제거된 표준 LLM pre-training 설정(예: MinHash)과 성능 최적화를 위해 목표 분포를 알 수 없는 경우에 대한 다양한 데이터 선택 전략을 조사합니다. SSL Prototypes의 성능은 임베딩 공간에서 중복으로 인한 클러스터의 영향을 받는다고 주장합니다. 섹션 3.4에서는 이러한 클러스터의 영향을 피하기 위해 SemDeDup을 활용하는 새로운 데이터 선택 전략 **D4**를 제안합니다. * 섹션 4.1에서는 소스 데이터가 "무한대"이고 고정된 토큰 예산으로 모델을 훈련하는 'compute-limited regime'에서 무작위 iid 데이터 선택 및 이전에 확립된 방법보다 더 나은 pre-training perplexity와 downstream accuracy를 달성할 수 있음을 보여줍니다. 또한, 우리의 방법 D4는 6.7b 모델 규모에서 약 20%의 효율성 향상을 달성할 수 있으며, 효율성 향상의 규모는 모델 규모에 따라 증가한다는 것을 보여줍니다. * 데이터가 부족하여 데이터를 epoch해야 하는 _data-limited regime_에서는 어떤 데이터를 반복할지 현명하게 선택하면 무작위로 선택된 새로운 데이터로 훈련하는 것보다 더 나은 성능을 발휘할 수 있는 반면, 무작위로 반복할 데이터를 선택하는 것은 새로운 데이터를 추가하는 것보다 성능이 저하됩니다(섹션 4.2). 이는 단일 epoch LLM 훈련의 표준 관행에 의문을 제기하고, 지능적으로 하위 선택된 데이터를 epoching하는 것이 더 나은 접근 방식일 수 있음을 시사합니다.[|endofturn|]

* 데이터가 이미 수동으로 필터링/중복 제거된 표준 LLM 사전 학습 설정(예: MinHash)과 성능 최적화를 위해 목표 분포를 알 수 없는 경우에 대한 다양한 데이터 선택 전략을 조사합니다. SSL 프로토타입의 성능은 임베딩 공간에서 중복으로 인한 클러스터의 영향을 받는다고 주장합니다. 섹션 3.4에서는 이러한 클러스터의 영향을 피하기 위해 SemDeDup을 활용하는 새로운 데이터 선택 전략 **D4**를 제안합니다. * 섹션 4.1에서는 소스 데이터가 "무한대"이고 고정된 토큰 예산으로 모델을 훈련하는 '계산 제한 정권'에서 무작위 iid 데이터 선택 및 이전에 확립된 방법보다 더 나은 사전 훈련 당혹감과 다운스트림 정확도를 달성할 수 있음을 보여줍니다. 또한, 우리의 방법 D4는 6.7b 모델 규모에서 약 20%의 효율성 향상을 달성할 수 있으며, 효율성 향상의 규모는 모델 규모에 따라 증가한다는 것을 보여줍니다. * 데이터가 부족하여 데이터를 에포크해야 하는 _데이터 제한 정권_에서는 어떤 데이터를 반복할지 현명하게 선택하면 무작위로 선택된 새로운 데이터로 훈련하는 것보다 더 나은 성능을 발휘할 수 있는 반면, 무작위로 반복할 데이터를 선택하는 것은 새로운 데이터를 추가하는 것보다 성능이 저하됩니다(섹션 4.2). 이는 단일 에포크 LLM 훈련의 표준 관행에 의문을 제기하고, 지능적으로 하위 선택된 데이터를 에포킹하는 것이 더 나은 접근 방식일 수 있음을 시사합니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]* We investigate different data selection strategies for standard LLM pre-training setups where data has already been manually filtered / de-duplicated (e.g., MinHash), and where we do not know the target distribution for which we optimize performance. We argue that the performance of SSL Prototypes is affected by duplicate-driven clusters in the embedding space. In Section 3.4 we propose a new data selection strategy **D4** that utilizes SemDeDup to avoid getting impacted by such clusters. * In Section 4.1, we show that in the _compute-limited regime_ where we have "infinite" source data and train models with fixed token budgets, we can achieve better pre-training perplexity and downstream accuracy than random iid data selection and previously established methods. Furthermore, we show that our method D4 can achieve around 20% efficiency gains at the 6.7b model scale, and that the magnitude of efficiency gains increases with model scale. * In the _data-limited regime_, where we run out of data and must epoch over data, cleverly choosing what data to repeat can beat training on randomly selected new data, whereas randomly choosing data to repeat underperforms adding new data (Section 4.2). This calls into question the standard practice of single epoch LLM training, and suggests that epoching over intelligently subselected data might be a better approach. [|assistant|]

1. 질문을 바꾸고 확장했습니다: 2023년 11월 30일 이전에 Kevin McCarthy 전 하원의장이 공개적으로 발표하거나 신뢰할 수 있는 출처를 통해 사임을 보도하여 미국 하원의원직에서 물러나게 될 가능성이 있습니까? 이 질문은 현재의 정치 환경, McCarthy의 최근 하원의장직 상실, 재선 불출마에 대한 고려, 그리고 그의 결정이 공화당과 캘리포니아 제20선거구에 미칠 잠재적 영향을 고려한 것입니다. 이 시장의 해결 여부는 McCarthy가 지정된 기한 내에 의원직 사퇴 의사를 공식적으로 선언할지 여부에 달려 있습니다. 2.[|endofturn|]

1. 질문을 바꾸고 확장했습니다: 2023년 11월 30일 이전에 케빈 매카시 전 하원의장이 공개적으로 발표하거나 신뢰할 수 있는 출처를 통해 사임을 보도하여 미국 하원의원직에서 물러나게 될 가능성이 있습니까? 이 질문은 현재의 정치 환경, 매카시의 최근 하원의장직 상실, 재선 불출마에 대한 고려, 그리고 그의 결정이 공화당과 캘리포니아 제20선거구에 미칠 잠재적 영향을 고려한 것입니다. 이 시장의 해결 여부는 매카시가 지정된 기한 내에 의원직 사퇴 의사를 공식적으로 선언할지 여부에 달려 있습니다. 2.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]1. Rephrased and Expanded Question: Is it likely that Kevin McCarthy, the former House Speaker, will make a public announcement or have his resignation reported by credible sources, indicating his departure from the United States House of Representatives, before the end of November 30, 2023? This question takes into account the current political climate, McCarthy's recent loss of the Speaker position, his consideration of not seeking re-election, and the potential impact of his decision on the Republican Party and the 20th District of California. The resolution of this market hinges on whether McCarthy will officially declare his intention to vacate his seat within the specified timeframe. 2. [|assistant|]

_Qualitative Evaluation_: 표 2에 Pythia-6.9B와 FinPythia-6.9B가 생성한 정성적 사례가 제시되어 있습니다. 살펴보면, FinPythia-6.9B가 금융 관련 질문에 대해 더 관련성이 높고 상세한 답변을 생성하는 것을 관찰할 수 있습니다. 지속적인 pre-training을 통해 2021년 이후의 금융 이벤트 지식을 습득했습니다. 이러한 결과는 DACP가 FinPythia-6.9B가 도메인 내 지식을 습득하는 데 도움이 된다는 것을 시사합니다.[|endofturn|]

_정성적 평가_: 표 2에 파이시아-6.9B와 핀파이시아-6.9B가 생성한 정성적 사례가 제시되어 있습니다. 살펴보면, 핀파이시아-6.9B가 금융 관련 질문에 대해 더 관련성이 높고 상세한 답변을 생성하는 것을 관찰할 수 있습니다. 지속적인 사전 학습을 통해 2021년 이후의 금융 이벤트 지식을 습득했습니다. 이러한 결과는 DACP가 FinPythia-6.9B가 도메인 내 지식을 습득하는 데 도움이 된다는 것을 시사합니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]_Qualitative Evaluation_: qualitative examples generated by Pythia-6.9B and FinPythia-6.9B are presented in Table 2. Upon examination, we observe that FinPythia-6.9B generates more relevant and detailed responses for finance-related questions. It acquired the financial events knowledge post 2021 with the continual pre-training. These findings suggest that the DACP helps FinPythia-6.9B acquire in-domain knowledge. [|assistant|]

첫째, 다국어 데이터에 monolingual tokenizer를 적용하면 훨씬 더 높은 fertility와 parity 점수가 산출되는 것을 관찰할 수 있습니다(그림 0(a) 및 그림 2 참조). 그림 0(b)에서 볼 수 있듯이 multilingual tokenizers는 모든 비영어 문서에서 fertility가 monolingual English tokenizers보다 훨씬 낮지만, 영어 문서 tokenizing에서는 약간만 떨어집니다.[|endofturn|]

첫째, 다국어 데이터에 단일 언어 토큰화기를 적용하면 훨씬 더 높은 출산율과 패리티 점수가 산출되는 것을 관찰할 수 있습니다(그림 0(a) 및 그림 2 참조). 그림 0(b)에서 볼 수 있듯이 다국어 토큰화기는 모든 비영어 문서에서 단어 수가 영어 토큰화기보다 훨씬 낮지만, 영어 문서 토큰화에서는 약간만 떨어집니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Firstly, it can be observed that applying a monolingual tokenizer to multilingual data results in significantly higher fertility and parity scores (see Fig. 0(a) and Fig. 2). While multilingual tokenizers have lower fertility than monolingual English tokenizers on all non-English documents by a large margin, they are only slightly worse on tokenizing English documents, as shown in Fig. 0(b). [|assistant|]

**Dataset Alignment Method**: 이 방법에서는 실제 데이터 세트에서 에이전트 프로필을 가져옵니다. 일반적으로 먼저 데이터 세트에 있는 실제 인간에 대한 정보를 자연어 프롬프트로 정리한 다음 이를 활용하여 에이전트를 프로파일링할 수 있습니다. 예를 들어, [29]에서는 미국 국민 선거 연구(ANES) 참여자의 인종/민족, 성별, 연령, 거주 지역 등 인구통계학적 배경을 기반으로 GPT-3에 역할을 할당합니다. 그런 다음 GPT-3가 실제 인간과 유사한 결과를 생성할 수 있는지 조사합니다. Dataset Alignment Method는 실제 인구의 속성을 정확하게 포착하여 에이전트 행동이 더욱 의미 있고 실제 시나리오를 반영할 수 있도록 합니다.[|endofturn|]

**데이터 세트 정렬 방법**: 이 방법에서는 실제 데이터 세트에서 에이전트 프로필을 가져옵니다. 일반적으로 먼저 데이터 세트에 있는 실제 인간에 대한 정보를 자연어 프롬프트로 정리한 다음 이를 활용하여 에이전트를 프로파일링할 수 있습니다. 예를 들어, [29]에서는 미국 국민 선거 연구(ANES) 참여자의 인종/민족, 성별, 연령, 거주 지역 등 인구통계학적 배경을 기반으로 GPT-3에 역할을 할당합니다. 그런 다음 GPT-3가 실제 인간과 유사한 결과를 생성할 수 있는지 조사합니다. 데이터 세트 정렬 방법은 실제 인구의 속성을 정확하게 포착하여 에이전트 행동이 더욱 의미 있고 실제 시나리오를 반영할 수 있도록 합니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]**Dataset Alignment Method**: in this method, the agent profiles are obtained from real-world datasets. Typically, one can first organize the information about real humans in the datasets into natural language prompts, and then leverage it to profile the agents. For instance, in [29], the authors assign roles to GPT-3 based on the demographic backgrounds (such as race/ethnicity, gender, age, and state of residence) of participants in the American National Election Studies (ANES). They subsequently investigate whether GPT-3 can produce similar results to those of real humans. The dataset alignment method accurately captures the attributes of the real population, thereby making the agent behaviors more meaningful and reflective of real-world scenarios. [|assistant|]

그러나 이러한 방법과 데이터 세트는 아직 체계적인 검토와 분석을 거치지 않았습니다. 이러한 격차를 해소하기 위해 이 작업을 제안하여 XoT 제품군에 대한 포괄적이고 상세한 분석을 수행합니다. 연쇄 사고에 대해 논의한 몇 가지 설문조사가 있었지만, prompts를 사용한 LLM reasoning Qiao et al. (2023) 및 chain-of-thought prompt strategies Yu et al. (2023)과 같은 특정 측면에 국한되어 있습니다. 이와는 대조적으로, 저희 설문조사는 이미 다루어진 주제에 대해 보다 철저하고 포괄적인 논의를 제공할 뿐만 아니라 XoT construction, XoT structural variants 및 frontier application 등과 같은 추가 주제와 논의도 포함합니다. 구체적으로, 이 백서에서는 먼저 관련 배경과 예비(SS2)를 소개합니다. 또한, XoT construction methods(SS4.1), XoT structure variants(SS4.2), XoT enhancement methods(SS4.3) 등 다양한 관점에서 XoT 시리즈 작업을 면밀히 분류하고 심층 분석을 완료합니다(SS4). 그런 다음 frontier fields에서 XoT의 실제 적용 사례를 제공합니다(SS5). XoT의 후속 작업에 영감을 주기 위해 이 분야의 향후 연구에 대한 잠재적 방향에 대한 인사이트를 제공합니다(SS6). 마지막으로 기존 방법을 비교하고 논의합니다(SS7).[|endofturn|]

그러나 이러한 방법과 데이터 세트는 아직 체계적인 검토와 분석을 거치지 않았습니다. 이러한 격차를 해소하기 위해 이 작업을 제안하여 XoT 제품군에 대한 포괄적이고 상세한 분석을 수행합니다. 연쇄 사고에 대해 논의한 몇 가지 설문조사가 있었지만, 프롬프트를 사용한 LLM 추론 Qiao et al. (2023) 및 연쇄 사고 프롬프트 전략 Yu et al. (2023)과 같은 특정 측면에 국한되어 있습니다. 이와는 대조적으로, 저희 설문조사는 이미 다루어진 주제에 대해 보다 철저하고 포괄적인 논의를 제공할 뿐만 아니라 XoT 구성, XoT 구조 변형 및 프론티어 적용 등과 같은 추가 주제와 논의도 포함합니다. 구체적으로, 이 백서에서는 먼저 관련 배경과 예비(SS2)를 소개합니다. 또한, XoT 구성 방법(SS4.1), XoT 구조 변형(SS4.2), XoT 향상 방법(SS4.3) 등 다양한 관점에서 XoT 시리즈 작업을 면밀히 분류하고 심층 분석을 완료합니다(SS4). 그런 다음 프론티어 분야에서 XoT의 실제 적용 사례를 제공합니다(SS5). XoT의 후속 작업에 영감을 주기 위해 이 분야의 향후 연구에 대한 잠재적 방향에 대한 인사이트를 제공합니다(SS6). 마지막으로 기존 방법을 비교하고 논의합니다(SS7).[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]However, these methods and datasets have not yet undergone systematic review and analysis. To fill this gap, we propose this work to conduct a comprehensive and detailed analysis of the XoT family. Even though there have been some surveys discussing chain-of-thought, they are limited to specific aspects, such as LLM reasoning with prompts Qiao et al. (2023) and chain-of-thought prompt strategies Yu et al. (2023). In contrast, our survey not only provides a more thorough and comprehensive discussion of the topics they've already covered, but also includes additional topics and discussions, such as XoT construction, XoT structural variants and frontier application, etc. Concretely, in this paper, we first introduce the relevant background and preliminary (SS2). Furthermore,we carefully classify the XoT series of work from multiple perspectives and complete an in-depth analysis (SS4), including XoT construction methods (SS4.1), XoT structure variants (SS4.2) and XoT enhancement methods (SS4.3). Then, we provide practical applications of the XoT in the frontier fields (SS5). In order to inspire the follow-up work of XoT, we offer insights into potential avenues for future research in this area (SS6). Finally, we compare and discuss existing methods (SS7). [|assistant|]

그림 2에서 우리는 스케일에 관계없이 Transformer 모델의 대부분의 레이어가 어느 정도 이방성을 가지고 있음을 관찰할 수 있습니다. 그럼에도 불구하고 마지막 레이어에서는 모델이 거의 등방성이거나 매우 이방성인 이분법이 있는 것으로 보입니다. 흥미롭게도 이 이분법은 Pythia 제품군의 포화 현상과 일치하는 것으로 나타났는데, 160M 이하의 파라미터를 포함하는 모델만 마지막 레이어 이방성의 영향을 받는 것으로 보입니다.[|endofturn|]

그림 2에서 우리는 스케일에 관계없이 트랜스포머 모델의 대부분의 레이어가 어느 정도 이방성을 가지고 있음을 관찰할 수 있습니다. 그럼에도 불구하고 마지막 레이어에서는 모델이 거의 등방성이거나 매우 이방성인 이분법이 있는 것으로 보입니다. 흥미롭게도 이 이분법은 파이티아 제품군의 포화 현상과 일치하는 것으로 나타났는데, 160M 이하의 파라미터를 포함하는 모델만 마지막 레이어 이방성의 영향을 받는 것으로 보입니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]In Figure 2, we observe that most layers of Transformers models are anisotropic to some extent, regardless of the scale. Nevertheless, there seems to be a dichotomy in the last layer, where models are either nearly isotropic or highly anisotropic. Interestingly, we notice that the dichotomy aligns with the one of the saturation phenomenon for the Pythia suite, where only models containing 160M or fewer parameters seem affected by last-layer anisotropy. [|assistant|]

증명. \(q\)를 \(p\)와 \(p^{\prime}\)의 혼합물이라고 합니다. 우리는 \(\beta^{\prime}\geq\beta\)에 대한 결과를 증명합니다. \(\beta^{\prime}\leq\beta\)의 경우는 유사합니다.[|endofturn|]

증명. q\)를 \(p\)와 \(p^{\prime}\)의 혼합물이라고 합니다. 우리는 \(\베타^{\프라임}\geq\베타\)에 대한 결과를 증명합니다. \(\베타^{\프라임}\leq\베타\)의 경우는 유사합니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Proof.Let \(q\) be the mixture of \(p\) and \(p^{\prime}\). We prove the result for \(\beta^{\prime}\geq\beta\); the case \(\beta^{\prime}\leq\beta\) is analogous. [|assistant|]

책 길이의 요약은 아직 초기 단계이기 때문에 일관성(Chang et al., 2023b)과 faithfulness(SS3)을 넘어 다른 오류 유형에 대한 연구는 아직 부족한 실정이다.[|endofturn|]

책 길이의 요약은 아직 초기 단계이기 때문에 일관성(Chang et al., 2023b)과 충실성(SS3)을 넘어 다른 오류 유형에 대한 연구는 아직 부족한 실정이다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]As book-length summarization is still a nascent area, research into other error types beyond coherence (Chang et al., 2023b) and faithfulness (SS3) is still lacking. [|assistant|]

이 섹션에서는 매크로데이터 구체화 파이프라인을 개발하는 동안 얻은 추가 결과를 제시합니다. 부록 E.1 및 부록 E.3의 경우, 이는 데이터 세트의 초기 개발 버전을 사용하여 얻은 것이므로 결과는 본문과 직접 비교할 수 없습니다. 부록 E.2의 경우, 이는 Falcon-RW 모델을 기반으로 합니다.[|endofturn|]

이 섹션에서는 매크로데이터 구체화 파이프라인을 개발하는 동안 얻은 추가 결과를 제시합니다. 부록 E.1 및 부록 E.3의 경우, 이는 데이터 세트의 초기 개발 버전을 사용하여 얻은 것이므로 결과는 본문과 직접 비교할 수 없습니다. 부록 E.2의 경우, 이는 팔콘-RW 모델을 기반으로 합니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]In this section, we present additional results obtained during the development of the Macrodata Refinement pipeline. For Appendix E.1 and Appendix E.3, these were obtained using earlier development versions of the dataset, so results are not directly comparable with the main text. For Appendix E.2, this is based on the Falcon-RW models. [|assistant|]

덕 윤리 이론 - 어떤 행동의 도덕성은 그 행동을 수행하는 사람의 성격이나 특성에 따라 달라진다는 이론입니다.[|endofturn|]

3. 덕 윤리 이론 - 어떤 행동의 도덕성은 그 행동을 수행하는 사람의 성격이나 특성에 따라 달라진다는 이론입니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]3. Virtue ethical theories - which hold that the morality of an action depends on the character or traits of the person performing the action. [|assistant|]

**RAISE**. RAISE 방법은 ReAct 방법을 기반으로 하며, 인간의 단기 및 장기 기억을 반영하는 memory 메커니즘이 추가되었습니다[16]. 이를 위해 단기 저장을 위한 scratchpad와 장기 저장을 위한 유사한 이전 예제 데이터 세트를 사용합니다.[|endofturn|]

**RAISE**. RAISE 방법은 ReAct 방법을 기반으로 하며, 인간의 단기 및 장기 기억을 반영하는 메모리 메커니즘이 추가되었습니다[16]. 이를 위해 단기 저장을 위한 스크래치패드와 장기 저장을 위한 유사한 이전 예제 데이터 세트를 사용합니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]**RAISE.** The RAISE method is built upon the ReAct method, with the addition of a memory mechanism that mirrors human short-term and long-term memory [16]. It does this by using a scratchpad for short-term storage and a dataset of similar previous examples for long-term storage. [|assistant|]

모델의 매개변수화된 지식은 사전 학습이 끝나면 고정되어 지식 용량과 지식 업데이트 측면에서 단점이 있습니다. 외부 지식을 도입하면 어느 정도 완화할 수 있지만, 여전히 불완전한 해결책입니다. 이 문제를 근본적으로 해결하기 위해 continual learning Lange et al. (2022); Wang et al. (2023)은 향후 연구 노력을 위한 유망한 길로 자리 잡고 있습니다.[|endofturn|]

모델의 매개변수화된 지식은 사전 학습이 끝나면 고정되어 지식 용량과 지식 업데이트 측면에서 단점이 있습니다. 외부 지식을 도입하면 어느 정도 완화할 수 있지만, 여전히 불완전한 해결책입니다. 이 문제를 근본적으로 해결하기 위해 지속적인 학습 랑게(2022); 왕(2023)은 향후 연구 노력을 위한 유망한 길로 자리 잡고 있습니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]The parameterized knowledge in the model is fixed at the end of the pre-training, which leads to its shortcomings in terms of knowledge capacity and knowledge updating. While introducing external knowledge can alleviate this to some extent, it remains an imperfect solution. To fundamentally tackle this issue, continual learning Lange et al. (2022); Wang et al. (2023) stands as a promising avenue for future research endeavors. [|assistant|]

스케일링 법칙: 신경 Scaling laws는 비전, 언어 및 음성에서 보편적으로 관찰되었습니다. 초기 대규모 실증 연구는 (Hestness et al., 2017; Rosenfeld et al., 2020)에서 수행되었으며, 다양한 학습 시나리오에 걸쳐 power law scaling을 입증했습니다. 이어서 OpenAI(Kaplan et al., 2020)와 DeepMind(Hoffmann et al., 2022)의 대규모 연구가 이어졌으며, 이 연구에서는 광범위한 규모에 걸쳐 LLM에서 power-law scaling을 실증적으로 입증했습니다.[|endofturn|]

스케일링 법칙: 신경 스케일링 법칙은 비전, 언어 및 음성에서 보편적으로 관찰되었습니다. 초기 대규모 실증 연구는 (Hestness et al., 2017; Rosenfeld et al., 2020)에서 수행되었으며, 다양한 학습 시나리오에 걸쳐 거듭제곱 법칙 스케일링을 입증했습니다. 이어서 OpenAI(Kaplan et al., 2020)와 DeepMind(Hoffmann et al., 2022)의 대규모 연구가 이어졌으며, 이 연구에서는 광범위한 규모에 걸쳐 LLM에서 거듭제곱 법칙 스케일링을 실증적으로 입증했습니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Scaling Laws:Neural scaling laws have been ubiquitously observed in vision, language and speech. Early large scale empirical studies are performed in (Hestness et al., 2017; Rosenfeld et al., 2020), demonstrating power law scaling across a range of learning scenarios. This is followed by well-known large-scale studies from OpenAI (Kaplan et al., 2020) and DeepMind (Hoffmann et al., 2022), which empirically demonstrate power-law scaling in LLMs across a wide set of scales. [|assistant|]

\(\bullet\)_OpenAssistant_[173]는 인간과 AI assistant 간의 실제 대화 트리 66,497개가 포함된 다국어 코퍼스입니다. 각 대화 트리는 여러 노드로 구성되며, 각 노드는 대화에서 역할에 의해 생성된 정보를 나타냅니다. 35개 언어에 걸쳐 있으며, 461,292개의 응답에 대한 수동으로 주석이 달린 품질 등급이 포함되어 있습니다.[|endofturn|]

\(\bullet\)_OpenAssistant_[173]는 인간과 AI 비서 간의 실제 대화 트리 66,497개가 포함된 다국어 코퍼스입니다. 각 대화 트리는 여러 노드로 구성되며, 각 노드는 대화에서 역할에 의해 생성된 정보를 나타냅니다. 35개 언어에 걸쳐 있으며, 461,292개의 응답에 대한 수동으로 주석이 달린 품질 등급이 포함되어 있습니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]\(\bullet\)_OpenAssistant_[173] is a multilingual corpus containing 66,497 real-world conversation trees between human and AI assistant. Each conversation tree consists of multiple nodes, and each node represents the information generated by a role in the dialogue. It spans 35 languages and includes 461,292 manually annotated quality ratings of responses. [|assistant|]

**Quantization 실험에 대한 경험적 분석**. 독자들이 Quantization이 LLMs에 미치는 영향을 더 잘 이해할 수 있도록, 여기서는 Quantized 모델의 추론 성능을 조사하는 일련의 실험을 수행합니다. 특히, FLAN-v2 [69], Alpaca-52K [137] 및 ShareGPT [148]를 비롯한 널리 사용되는 SFT 데이터 세트를 사용하여 Fine-tuning된 LLMaM 모델(_즉_, 7B 및 13B)에 초점을 맞추고 있습니다. 평가를 위해 표 IX에서 동일한 작업을 활용하고, 3개의 정밀도 수준에서 Quantized 언어 모델의 성능을 조사하는 연구 [423]의 Quantization 설정을 따르며, 4-bit, 8-bit, 16-bit의 세 가지 정밀도 수준에서 Quantized 모델의 성능을 평가합니다. 그 결과는 표 X에 요약되어 있습니다. 표 X에서 볼 수 있듯이, 8-bit 및 4-bit Weight Quantization을 사용한 결과는 16-bit 모델의 성능에 근접한 반면 메모리 소비는 크게 줄였습니다. 실제로 배포 시 메모리 사용량을 줄이는 것이 중요한 고려 사항인 경우, LLMs에 대해 4-bit Weight Quantization의 성능을 먼저 검토하는 것이 좋습니다.[|endofturn|]

**양자화 실험에 대한 경험적 분석**. 독자들이 양자화가 LLM에 미치는 영향을 더 잘 이해할 수 있도록, 여기서는 양자화된 모델의 추론 성능을 조사하는 일련의 실험을 수행합니다. 특히, FLAN-v2 [69], Alpaca-52K [137] 및 ShareGPT [148]를 비롯한 널리 사용되는 SFT 데이터 세트를 사용하여 미세 조정된 LLMaM 모델(_즉_, 7B 및 13B)에 초점을 맞추고 있습니다. 평가를 위해 표 IX에서 동일한 작업을 활용하고, 3개의 정밀도 수준에서 양자화된 언어 모델의 성능을 조사하는 연구 [423]의 양자화 설정을 따르며, 4비트, 8비트, 16비트의 세 가지 정밀도 수준에서 양자화된 모델의 성능을 평가합니다. 그 결과는 표 X에 요약되어 있습니다. 표 X에서 볼 수 있듯이, 8비트 및 4비트 가중치 양자화를 사용한 결과는 16비트 모델의 성능에 근접한 반면 메모리 소비는 크게 줄였습니다. 실제로 배포 시 메모리 사용량을 줄이는 것이 중요한 고려 사항인 경우, LLM에 대해 4비트 가중치 양자화의 성능을 먼저 검토하는 것이 좋습니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]**Empirical Analysis on Quantization Experiments**. To further help readers understand the impact of quantization on LLMs, we also conduct a group of experiments to investigate the inference performance of quantized models here. Specifically, we focus on the fine-tuned LLMaM models (_i.e.,_ 7B and 13B) using popular SFT datasets, including FLAN-v2 [69], Alpaca-52K [137] and ShareGPT [148]. For evaluation, we utilize the same tasks in Table IX, and follow the quantization settings in the study [423] examining the performance of quantized language models at three precision levels: 4-bit, 8-bit and 16-bit. The results are summarized in Table X. As can be observed from Table X, the results obtained with 8-bit and 4-bit weight quantization are close to the performance of 16-bit models while significantly reducing memory consumption. In practice, it is recommended to first examine the performance of 4-bit weight quantization for LLMs if reducing memory usage is a critical consideration for deployment. [|assistant|]

**Preference Datasets.** 저희 모델에는 공개적으로 이용 가능한 데이터 세트와 LLM의 합성 데이터가 혼합되어 있습니다. 오픈 소스 중국 데이터 세트는 LLama-factory의 _cvalues.rllf_, _comparison.gpt4_data_zh_ 및 _oast.rm_zh_에서 유해하지 않고 유익한 섹션과 huozi, zhihu로 구성됩니다. 영어의 경우, 데이터 세트에는 LLama-factory의 _comparison.gpt4_data_en_과 beavertails(Ji et al., 2024)이 포함됩니다. 합성 접근 방식을 통해 더 높은 품질의 선호도 데이터 세트를 구성하기 위해 GPT-4를 사용하여 "선택한" 응답을 생성하는 alpaca-gpt4(Peng et al., 2023)를 채택하고, "거부" 응답을 생성하기 위한 약한 모델로 사용되는 baichuan-6B(Yang et al., 2023)를 채택합니다. 데이터 세트는 총 183k Chinese pairs와 46k English pairs로 구성됩니다.[|endofturn|]

**선호 데이터 세트.** 저희 모델에는 공개적으로 이용 가능한 데이터 세트와 LLM의 합성 데이터가 혼합되어 있습니다. 오픈 소스 중국 데이터 세트는 LLama-factory의 _cvalues.rllf_, _comparison.gpt4_data_zh_ 및 _oast.rm_zh_에서 유해하지 않고 유익한 섹션과 huozi, zhihu로 구성됩니다. 영어의 경우, 데이터 세트에는 LLama-factory의 _comparison.gpt4_data_en_과 비버테일(Ji et al., 2024)이 포함됩니다. 합성 접근 방식을 통해 더 높은 품질의 선호도 데이터 세트를 구성하기 위해 GPT-4를 사용하여 "선택한" 응답을 생성하는 alpaca-gpt4(Peng et al., 2023)를 채택하고, "거부" 응답을 생성하기 위한 약한 모델로 사용되는 baichuan-6B(Yang et al., 2023)를 채택합니다. 데이터 세트는 총 183,000쌍의 중국어와 46,000쌍의 영어로 구성됩니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]**Preference Datasets.** Our model incorporates a blend of publicly accessible datasets and synthetic data from the LLM. The open-source Chinese datasets consist of non-harmful and beneficial sections from _cvalues.rllf_, _comparison.gpt4_data_zh_ and _oast.rm_zh_ in LLama-factory (Zheng et al., 2024), huozi, and zhihu. For English, the dataset includes _comparison.gpt4_data_en_ from LLama-factory and beavertails (Ji et al., 2024). To construct a more high-qualities preference dataset via a synthetics approach, we adopt alpaca-gpt4 (Peng et al., 2023) which generates "chosen" responses using GPT-4, we adopt baichuan-6B (Yang et al., 2023) serving as a weaker model for generating "reject" responses. The dataset comprises 183k Chinese pairs and 46k English pairs in total. [|assistant|]

* 내재적 tokenizer 성능을 조사하는 연구를 수행합니다. * tokenizer가 모델의 downstream 성능에 미치는 영향, 즉 tokenizer의 외재적 성능을 조사하는 연구를 수행합니다. * 내재적 tokenizer 성능과 외재적 tokenizer 성능 간에 상관관계가 있는지 조사합니다.[|endofturn|]

* 내재적 토큰화기 성능을 조사하는 연구를 수행합니다. * 토큰화기가 모델의 다운스트림 성능에 미치는 영향, 즉 토큰화기의 외재적 성능을 조사하는 연구를 수행합니다. * 내재적 토큰화기 성능과 외재적 토큰화기 성능 간에 상관관계가 있는지 조사합니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]* We conduct a study investigating the intrinsic tokenizer performance. * We conduct a study investigating the extrinsic tokenizer performance, i.e., the impact of the tokenizer on the model's downstream performance. * We investigate whether a correlation between the intrinsic and the extrinsic tokenizer performance exists. [|assistant|]

증강 접근 방식 계획은 검색 기반, 그래프 기반, 정의 언어 기반 방법을 도입하여 기존의 순차적 계획을 발전시켰습니다. 반면, 일부 방법은 액션, 계획, 반사 또는 도구를 통합하여 LLMs의 장기 계획 및 오류 복원력 기능을 향상시키는 것을 목표로 합니다.[|endofturn|]

증강 접근 방식 계획은 검색 기반, 그래프 기반, 정의 언어 기반 방법을 도입하여 기존의 순차적 계획을 발전시켰습니다. 반면, 일부 방법은 액션, 계획, 반사 또는 도구를 통합하여 LLM의 장기 계획 및 오류 복원력 기능을 향상시키는 것을 목표로 합니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Planning augmented approaches have advanced conventional sequential planning by introducing search-based, graph-based, and definition language-based methods. On the other hand, some methods incorporate action, planning, reflection, or tools, aiming to enhance LLMs' long-term planning and error resilience capabilities. [|assistant|]

**설문 조사 작성**. 이 설문조사는 연구팀에서 개최한 토론회에서 계획된 것으로, 연구팀원들이 최근의 Large Language Models (LLMs)의 발전을 팀원들이 읽기 쉬운 보고서로 요약하는 것을 목표로 했습니다. 첫 번째 초안은 2023년 3월 13일에 완성되었으며, 팀원들은 비교적 객관적이고 포괄적인 방식으로 LLMs에 대한 관련 연구를 포함하기 위해 최선을 다했습니다. 그 후 여러 차례에 걸쳐 글과 내용을 광범위하게 수정했습니다. 공간 제약으로 인해 기존 LLMs의 일부만 그림 3과 표 1에 포함하되, 선정 기준을 설정했습니다. 그러나 정기적으로 유지 관리할 GitHub 페이지([https://github.com/RUCAlBox/LLMSurvey](https://github.com/RUCAlBox/LLMSurvey))에서는 보다 완화된 모델 선택 기준을 설정했습니다. 2023년 3월 31일에 초기 버전을 공개하고, 2023년 6월 29일에 주요 수정 버전을, 2023년 9월 10일에 두 번째 버전을, 2023년 11월 23일에 이 최신 버전(주요 수정 버전)을 공개할 예정입니다.[|endofturn|]

**설문 조사 작성**. 이 설문조사는 연구팀에서 개최한 토론회에서 계획된 것으로, 연구팀원들이 최근의 대형 언어 모델의 발전을 팀원들이 읽기 쉬운 보고서로 요약하는 것을 목표로 했습니다. 첫 번째 초안은 2023년 3월 13일에 완성되었으며, 팀원들은 비교적 객관적이고 포괄적인 방식으로 LLM에 대한 관련 연구를 포함하기 위해 최선을 다했습니다. 그 후 여러 차례에 걸쳐 글과 내용을 광범위하게 수정했습니다. 공간 제약으로 인해 기존 LLM의 일부만 그림 3과 표 1에 포함하되, 선정 기준을 설정했습니다. 그러나 정기적으로 유지 관리할 GitHub 페이지([https://github.com/RUCAlBox/LLMSurvey](https://github.com/RUCAlBox/LLMSurvey))에서는 보다 완화된 모델 선택 기준을 설정했습니다. 2023년 3월 31일에 초기 버전을 공개하고, 2023년 6월 29일에 주요 수정 버전을, 2023년 9월 10일에 두 번째 버전을, 2023년 11월 23일에 이 최신 버전(주요 수정 버전)을 공개할 예정입니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]**Survey Writing**. This survey was planned during a discussion meeting held by our research team, and we aimed to summarize the recent advances of large language models as a highly readable report for our team members. The first draft was finished on March 13, 2023, in which our team members tried their best to include the related studies about LLMs in a relatively objective, comprehensive way. Then, we have extensively revised the writing and contents in several passes. Due to the space limit, we can only include a fraction of existing LLMs in Figure 3 and Table 1, by setting the selection criterion. However, we set a more relaxed criterion for model selection on our GitHub page ([https://github.com/RUCAlBox/LLMSurvey](https://github.com/RUCAlBox/LLMSurvey)), which will be regularly maintained. We release the initial version on March 31, 2023, the major revision on June 29, 2023, and second version on September 10, 2023, and this latest version (major revision) on November 23, 2023. [|assistant|]

많은 연구팀이 자체적으로 고유한 agent 벤치마크를 agent 구현과 함께 소개하기 때문에 동일한 벤치마크에서 여러 agent 구현을 비교하는 것이 어렵습니다. 또한 이러한 새로운 agent-specific 벤치마크의 대부분에는 수작업으로 채점된 매우 복잡한 평가 세트가 포함되어 있습니다[2]. 이는 방법의 기능을 고품질로 평가할 수 있지만, 더 큰 데이터 세트의 robustness가 부족하고 방법을 개발하는 사람이 결과를 작성하고 채점하는 사람이기 때문에 평가에 편견이 유입될 위험이 있습니다. agent는 모델, 환경 또는 문제 상태의 변동성으로 인해 여러 반복에서 일관된 답변을 생성하는 데 문제가 있을 수도 있습니다. 이러한 추가 무작위성은 더 작고 복잡한 평가 세트에 훨씬 더 큰 문제를 야기합니다.[|endofturn|]

많은 연구팀이 자체적으로 고유한 에이전트 벤치마크를 에이전트 구현과 함께 소개하기 때문에 동일한 벤치마크에서 여러 에이전트 구현을 비교하는 것이 어렵습니다. 또한 이러한 새로운 에이전트별 벤치마크의 대부분에는 수작업으로 채점된 매우 복잡한 평가 세트가 포함되어 있습니다[2]. 이는 방법의 기능을 고품질로 평가할 수 있지만, 더 큰 데이터 세트의 견고성이 부족하고 방법을 개발하는 사람이 결과를 작성하고 채점하는 사람이기 때문에 평가에 편견이 유입될 위험이 있습니다. 에이전트는 모델, 환경 또는 문제 상태의 변동성으로 인해 여러 반복에서 일관된 답변을 생성하는 데 문제가 있을 수도 있습니다. 이러한 추가 무작위성은 더 작고 복잡한 평가 세트에 훨씬 더 큰 문제를 야기합니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Many research teams introduce their own unique agent benchmarks alongside their agent implementation which makes comparing multiple agent implementations on the same benchmark challenging. Additionally, many of these new agent-specific benchmarks include a hand-crafted, highly complex, evaluation set where the results are manually scored [2]. This can provide a high-quality assessment of a method's capabilities, but it also lacks the robustness of a larger dataset and risks introducing bias into the evaluation, since the ones developing the method are also the ones writing and scoring the results. Agents can also have problems generating a consistent answer over multiple iterations, due to variability in the models, environment, or problem state. This added randomness poses a much larger problem to smaller, complex evaluation sets. [|assistant|]

처리량을 개선하기 위해 FSDP의 기본 설정과 PyTorch의 amp 모듈을 통해 mixed-precision training (Micikevicius et al., 2017)을 사용합니다. 후자는 softmax와 같은 특정 연산이 항상 전체 정밀도로 실행되어 안정성을 개선하는 동시에 다른 모든 연산은 하프 정밀도로 실행되며, bfloat16 형식으로 실행됩니다. 특정 설정에서 각 GPU에 국한된 음영 모델 가중치와 optimizer 상태는 전체 정밀도로 유지됩니다. 각 Transformer 블록 내의 가중치는 순방향 및 역방향 패스 동안 각 GPU에 전체 크기의 파라미터가 구체화될 때만 bfloat16으로 캐스팅됩니다. Gradients는 전체 정밀도로 GPU 간에 감소합니다.[|endofturn|]

처리량을 개선하기 위해 FSDP의 기본 설정과 PyTorch의 amp 모듈을 통해 혼합 정밀도 훈련(Micikevicius et al., 2017)을 사용합니다. 후자는 소프트맥스와 같은 특정 연산이 항상 전체 정밀도로 실행되어 안정성을 개선하는 동시에 다른 모든 연산은 하프 정밀도로 실행되며, bfloat16 형식으로 실행됩니다. 특정 설정에서 각 GPU에 국한된 음영 모델 가중치와 최적화 상태는 전체 정밀도로 유지됩니다. 각 트랜스포머 블록 내의 가중치는 순방향 및 역방향 패스 동안 각 GPU에 전체 크기의 파라미터가 구체화될 때만 bfloat16으로 캐스팅됩니다. 그라디언트는 전체 정밀도로 GPU 간에 감소합니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]To improve throughput, we employ mixed-precision training (Micikevicius et al., 2017) through FSDP's built-in settings and PyTorch's amp module. The latter ensures that certain operations like the softmax always run in full precision to improve stability, while all other operations run in half-precision with the bfloat16 format. Under our specific settings, the shaded model weights and optimizer state local to each GPU are kept in full precision. The weights within each transformer block are only cast to bfloat16 when the full-sized parameters are materialized on each GPU during the forward and backward passes. Gradients are reduced across GPUs in full precision. [|assistant|]

생각의 연쇄 추론은 종종 Hallucination을 일으켜 잘못된 추론 단계를 생성하는 경향이 있습니다. 중간 추론 단계의 오류는 다시 연쇄적인 오류를 일으킬 수 있습니다. 검증을 통합하여 피드백을 얻은 다음 이 피드백을 기반으로 추론 프로세스를 개선하는 것은 인간의 성찰 과정과 유사한 이러한 현상을 완화하는 데 매우 효과적인 전략이 될 수 있습니다. 그림 3은 검증 및 구체화의 개요를 보여줍니다.[|endofturn|]

생각의 연쇄 추론은 종종 착시 현상을 일으켜 잘못된 추론 단계를 생성하는 경향이 있습니다. 중간 추론 단계의 오류는 다시 연쇄적인 오류를 일으킬 수 있습니다. 검증을 통합하여 피드백을 얻은 다음 이 피드백을 기반으로 추론 프로세스를 개선하는 것은 인간의 성찰 과정과 유사한 이러한 현상을 완화하는 데 매우 효과적인 전략이 될 수 있습니다. 그림 3은 검증 및 구체화의 개요를 보여줍니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Chain-of-thought reasoning often tends to be hallucinatory, producing incorrect reasoning steps. Errors in intermediate reasoning steps can, in turn, trigger a cascade of errors. Incorporating verification to obtain feedback and subsequently refining the reasoning process based on this feedback can be a highly effective strategy for mitigating this phenomenon, which is similar to the process of human reflection. Figure 3 depicts the overview of verification and refinement. [|assistant|]

\(\bullet\)**고해상도 또는 장기 비전 데이터에서의 장점을 더 탐구하는 것은 주목할 만한 연구 방향입니다.** SSMs 아키텍처는 이론적으로 모델의 복잡성을 크게 줄여주기 때문에 고해상도 데이터(원격 감지 데이터, X-레이 의료 이미지) 또는 장기 시퀀스 데이터(장기 비디오 프레임)에 대한 모델링 기능이 매우 가치가 있습니다. 그러나 이러한 측면은 Transformer 네트워크와 같은 다른 강력한 모델에서는 잘 다루지 못합니다.[|endofturn|]

\(\bullet\)**고해상도 또는 장기 비전 데이터에서의 장점을 더 탐구하는 것은 주목할 만한 연구 방향입니다.** SSMs 아키텍처는 이론적으로 모델의 복잡성을 크게 줄여주기 때문에 고해상도 데이터(원격 감지 데이터, X-레이 의료 이미지) 또는 장기 시퀀스 데이터(장기 비디오 프레임)에 대한 모델링 기능이 매우 가치가 있습니다. 그러나 이러한 측면은 트랜스포머 네트워크와 같은 다른 강력한 모델에서는 잘 다루지 못합니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]\(\bullet\)**To further explore its advantages in high-resolution or long-term vision data is a direction worthy of attention and research.** Since the SSMs architecture significantly reduces the complexity of the model theoretically, its modeling capability on high-resolution data (remote sensing data, X-ray medical images) or long-term sequence data (long-term video frames) is of great value. However, these aspects are not addressed well using other strong models like the Transformer network. [|assistant|]

테스트 데이터 세트를 baseline으로 사용합니다. 기존 연구에서는 LMs이 기존 메트릭보다 더 나은 자동화된 평가자가 될 수 있다고 제안하지만[10], 섹션 6.4에서 평가를 위해 GPT-4를 사용하는 것을 정당화하기 위해 인간 연구를 수행합니다. GPT-4의 판단은 일반적으로 인간과의 일치도가 높거나 높은 인간과의 일치도와 유사하거나 높은 인간과의 일치도를 보이는 등 GPT-4의 판단이 인간과 강한 상관관계가 있음을 발견했습니다.[|endofturn|]

테스트 데이터 세트를 기준선으로 사용합니다. 기존 연구에서는 LM이 기존 메트릭보다 더 나은 자동화된 평가자가 될 수 있다고 제안하지만[10], 섹션 6.4에서 평가를 위해 GPT-4를 사용하는 것을 정당화하기 위해 인간 연구를 수행합니다. GPT-4의 판단은 일반적으로 인간과의 일치도가 높거나 높은 인간과의 일치도와 유사하거나 높은 인간과의 일치도를 보이는 등 GPT-4의 판단이 인간과 강한 상관관계가 있음을 발견했습니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]test dataset as the baseline. While existing studies suggest LMs can be better automated evaluators than existing metrics [10], we conduct a human study to justify our usage of GPT-4 for evaluation in Sec. 6.4. We find GPT-4 judgments correlate strongly with humans, with human agreement with GPT-4 typically similar or higher than inter-human annotator agreement. [|assistant|]

그림 8: Pythia-1B 모델의 헤드에서 순위 \(d\)에 대한 이론적 \(W\)-오류의 함수로서, 학습된 순위 제한 헤드(모방 \(W^{s}_{d}\))를 사용한 최종 Loss를 보여줍니다.[|endofturn|]

그림 8: 피티아-1B 모델의 헤드에서 순위 \(d\)에 대한 이론적 \(W\)-오류의 함수로서, 학습된 순위 제한 헤드(모방 \(W^{s}_{d}\))를 사용한 최종 손실을 보여줍니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Figure 8: Final loss with trained rank-constrained heads (mimicking \(W^{s}_{d}\)), as a function of the theoretical \(W\)-error for rank \(d\) on the head of the Pythia-1B model. [|assistant|]

이 장에서는 chain-of-thought reasoning에 대한 초기 시도를 대표하거나 특정 영역을 위해 설계된 다른 작업을 나열할 것이다.[|endofturn|]

이 장에서는 생각의 사슬 추론에 대한 초기 시도를 대표하거나 특정 영역을 위해 설계된 다른 작업을 나열할 것이다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]In this chapter, we will list other works that represent early attempts at chain-of-thought reasoning or are designed for specific domains. [|assistant|]

실험 설정의 핵심 구성 요소는 GPT-4 승률 판정입니다. 이 섹션에서는 요약 및 대화 실험의 승률을 생성하는 데 사용된 prompts를 포함합니다. 모든 실험에 대해 gpt-4-0314를 사용합니다. 모든 평가에서 요약 또는 응답의 순서는 무작위로 선택됩니다.[|endofturn|]

실험 설정의 핵심 구성 요소는 GPT-4 승률 판정입니다. 이 섹션에서는 요약 및 대화 실험의 승률을 생성하는 데 사용된 프롬프트를 포함합니다. 모든 실험에 대해 gpt-4-0314를 사용합니다. 모든 평가에서 요약 또는 응답의 순서는 무작위로 선택됩니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]A key component of our experimental setup is GPT-4 win rate judgments. In this section, we include the prompts used to generate win rates for the summarization and dialogue experiments. We use gpt-4-0314 for all our experiments. The order of summaries or responses are randomly chosen for every evaluation. [|assistant|]

새 질문은 한 가지만 묻고, 합리적이며, 주어진 질문에 근거하고, 숫자(실수 또는 정수)만으로 답할 수 있는지 확인합니다. 예를 들어, 'what is the amount of A, B and C?'라고 묻지 마세요.[|endofturn|]

새 질문은 한 가지만 묻고, 합리적이며, 주어진 질문에 근거하고, 숫자(실수 또는 정수)만으로 답할 수 있는지 확인합니다. 예를 들어, 'A, B, C의 양이 얼마인가요?'라고 묻지 마세요.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Ensure the new question only asks for one thing, be reasonable, be based on the Given Question, and can be answered with only a number (float or integer). For example, DO NOT ask, 'what is the amount of A, B and C?'. [|assistant|]

각주 5: 전체 기사의 결론을 나타내지 않는 첫 번째 섹션만 사용하기 때문에 문서 끝에 <eos> token을 추가하지 않습니다.[|endofturn|]

각주 5: 전체 기사의 결론을 나타내지 않는 첫 번째 섹션만 사용하기 때문에 문서 끝에 a_token을 추가하지 않습니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Footnote 5: We do not append a <eos> token at the end of documents because we only use the first section, which does not signify the conclusion of the entire article. [|assistant|]

초기 체크포인트로 ALMA-13B-LoRA를 시작으로 _다대다_ 다국어 기계 번역 방식으로 모델을 학습합니다. 훈련 단계에서는 추가된 LoRA 파라미터의 가중치만 업데이트하는 데 집중합니다. 이 가중치는 순위가 16이며 모델의 원래 13B 크기에 12M의 파라미터만 추가합니다. Rafailov 등(2023)이 제안한 기본 \(\beta\) 값 0.1을 준수합니다. ALMA-13B-LoRA의 Fine-tuning 프로세스에는 Batch Size 128, 워밍업 비율 0.01, 한 번의 에포크에 걸쳐 최대 길이 512 토큰의 시퀀스를 수용하는 것이 포함됩니다. 훈련 효율을 최적화하기 위해 deepspeed 도구(Rasley et al., 2020)를 통합합니다. Xu 등(2023)과 동일한 프롬프트를 사용하며 프롬프트에 대한 Loss를 계산하지 않습니다. 13B 모델의 성능에 중점을 두고 있지만, CPO는 7B 모델에도 현저한 이점을 제공합니다. 따라서 ALMA-7B-R도 출시하고 그 성능에 대한 자세한 논의는 부록 A에서 제공합니다.[|endofturn|]

초기 체크포인트로 ALMA-13B-LoRA를 시작으로 _다대다_ 다국어 기계 번역 방식으로 모델을 학습합니다. 훈련 단계에서는 추가된 LoRA 파라미터의 가중치만 업데이트하는 데 집중합니다. 이 가중치는 순위가 16이며 모델의 원래 13B 크기에 12M의 파라미터만 추가합니다. Rafailov 등(2023)이 제안한 기본 \(\beta\) 값 0.1을 준수합니다. ALMA-13B-LoRA의 미세 조정 프로세스에는 배치 크기 128, 워밍업 비율 0.01, 한 번의 에포크에 걸쳐 최대 길이 512 토큰의 시퀀스를 수용하는 것이 포함됩니다. 훈련 효율을 최적화하기 위해 딥스피드 도구(Rasley et al., 2020)를 통합합니다. Xu 등(2023)과 동일한 프롬프트를 사용하며 프롬프트에 대한 손실을 계산하지 않습니다. 13B 모델의 성능에 중점을 두고 있지만, CPO는 7B 모델에도 현저한 이점을 제공합니다. 따라서 ALMA-7B-R도 출시하고 그 성능에 대한 자세한 논의는 부록 A에서 제공합니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]We train the model in a _many-to-many_ multilingual machine translation manner, starting with ALMA-13B-LoRA as the initial checkpoint. During the training phase, we focus exclusively on updating the weights of the added LoRA parameters. These weights have a rank of 16 and only add an additional 12M parameters to the original 13B size of the model. We adhere to the default \(\beta\) value of 0.1 as suggested by Rafailov et al. (2023). The fine-tuning process of ALMA-13B-LoRA involves a batch size of 128, a warm-up ratio of 0.01, spanning a single epoch, and accommodating sequences with a maximum length of 512 tokens. To optimize training efficiency, we integrate the deepspeed tool (Rasley et al., 2020). We utilize the same prompt as Xu et al. (2023) and do not compute the loss for the prompt. While our primary focus is on the performance of 13B models, CPO markedly benefits 7B models as well. Consequently, we also release ALMA-7B-R and provide a detailed discussion of its performance in Appendix A. [|assistant|]

**비공개 모델 분석**. 네 가지 closed-source 모델(_즉, ChatGPT, Claude, Davinci003 및 Davinci002)에 대한 분석 및 조사 결과를 다음과 같이 요약합니다:[|endofturn|]

**비공개 모델 분석**. 네 가지 비공개 모델(_즉, ChatGPT, 클로드, 다빈치003 및 다빈치002)에 대한 분석 및 조사 결과를 다음과 같이 요약합니다:[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]**Analysis of Closed-Source Models.** We summarize our analysis and findings of the four closed-source models (_i.e.,_ ChatGPT, Claude, Davinci003 and Davinci002) as follows: [|assistant|]

role-user: PersonU와 PersonA 사이의 다음 대화가 주어졌을 때: PersonU: 안녕하세요, 어떤 결정에 동의하지 않는 경우 어떻게 해야 하는지 알고 싶습니다. PersonA: 월 소득 조정 금액에 대한 결정에 동의하지 않으시나요? PersonU: 아니요. 내 SHIP 연락처 정보는 어디에서 찾을 수 있나요? PersonA: 지역 SHIP 연락처 정보는 Medicare & You 2020 핸드북 온라인 뒷부분에서 찾을 수 있습니다. PersonU: 조정액은 어떻게 계산하나요? 이 대화를 통하지 않고 PersonU가 원하는 것을 얻으려면 어떻게 해야 하나요? 그 질문으로 답하세요.[|endofturn|]

ole-user: PersonU와 PersonA 사이의 다음 대화가 주어졌을 때: PersonU: 안녕하세요, 어떤 결정에 동의하지 않는 경우 어떻게 해야 하는지 알고 싶습니다. PersonA: 월 소득 조정 금액에 대한 결정에 동의하지 않으시나요? PersonU: 아니요. 내 SHIP 연락처 정보는 어디에서 찾을 수 있나요? PersonA: 지역 SHIP 연락처 정보는 Medicare & You 2020 핸드북 온라인 뒷부분에서 찾을 수 있습니다. PersonU: 조정액은 어떻게 계산하나요? 이 대화를 통하지 않고 PersonU가 원하는 것을 얻으려면 어떻게 해야 하나요? 그 질문으로 답하세요.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]role-user: Given the following conversation between PersonU and PersonA: PersonU: Hello, I would like to know what to do if I do not agree with any decision. PersonA: disagree with our decision about your monthly income adjustment amounts? PersonU: no. Where can I find my SHIP contact information? PersonA: You can find your local SHIP contact information in the back of your Medicare & You 2020 Handbook online. PersonU: and how do they calculate the adjustments? Instead of having this entire conversation, how can PersonU get what he or she is looking for using a single question? Respond with that question. [|assistant|]

개요문서 수준 필터링의 참조 모델 관행에서 영감을 받아 토큰 수준 데이터 선택의 간단한 파이프라인을 제안합니다. 이 방법은 그림 4에 나와 있는 세 단계로 구성됩니다. 먼저 엄선된 고품질 데이터 세트에 대해 reference model을 훈련합니다. 그런 다음 이 모델은 사전 학습 코퍼스 내의 각 토큰 loss를 평가합니다. 마지막 단계에서는 훈련 모델과 reference model 간의 초과 loss가 큰 토큰에 집중하여 language model을 선택적으로 훈련합니다.[|endofturn|]

개요문서 수준 필터링의 참조 모델 관행에서 영감을 받아 토큰 수준 데이터 선택의 간단한 파이프라인을 제안합니다. 이 방법은 그림 4에 나와 있는 세 단계로 구성됩니다. 먼저 엄선된 고품질 데이터 세트에 대해 참조 모델을 훈련합니다. 그런 다음 이 모델은 사전 학습 코퍼스 내의 각 토큰 손실을 평가합니다. 마지막 단계에서는 훈련 모델과 참조 모델 간의 초과 손실이 큰 토큰에 집중하여 언어 모델을 선택적으로 훈련합니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]OverviewInspired by the practice of reference model in document-level filtering, we propose a simple pipeline of token-level data selection, termed "Selective Language Modeling (SLM)". Our method comprises three steps, as depicted in Figure 4. We begin by training a reference model on a curated, high-quality dataset. This model then assesses the loss of each token within the pretraining corpus. In the final phase, we train the language model selectively, focusing on tokens with high excess loss between the training and reference model. [|assistant|]

# 출력 이제 "\(\mathrm{type}(e_{1})\)'s \(\mathrm{type}(r_{1})\)"가 결정되었으므로, 사실 구성의 유형을 결정하기 위해 관계 \(r_{2}\)의 유형을 결정합니다, "\(\mathrm{type}(e_{1})\)'s \(\mathrm{type}(r_{1})\)"의 \(\mathrm{type}(r_{2})\)". 이전 단계에서 결정된 "\(\mathrm{type}(e_{1})\)'s \(\mathrm{type}(r_{1})\)"는 국가, 조직, 학부 대학, 게임 개발사), 실제 인물(저자, 회장, CEO, 배우자, 가수), 가상의 인물(주인공), 영화, 소설 또는 도시(본사 도시)의 범주에 속한다는 점에 유의하세요. 또한 "\(\mathrm{type}(e_{1})\)'s \(\mathrm{type}(r_{1})\)"는 설명이 언급된 교량 엔티티 자체이기도 합니다. 따라서 이러한 범주의 \(e_{2}\)에 대해 관계 \(r_{2}\)를 만족하는 유일한 객체 엔티티가 \(e_{3}\)인 충분한 수의 \((e_{2},r_{2},e_{3})\)를 제공할 수 있는 \(r_{2}\)를 선택합니다. 이전 단계와 마찬가지로 일반적인 관계를 \(r_{2}\)로 선택합니다. 선택한 \(r_{2}\)의 유형을 사용하여 "노래의 가수의 어머니"(특정 소설의 출생 도시), "본사 도시 비디오 게임의 개발자"(특정 비디오 게임의 개발자 본사가 있는 도시), "주인공의 영화 감독"(특정 캐릭터가 주인공인 영화의 감독) 등 52개의 사실 구성 유형을 생성합니다.[|endofturn|]

이제 "\(\mathrm{type}(e_{1})\)'s \(\mathrm{type}(r_{1})\)"가 결정되었으므로, 사실 구성의 유형을 결정하기 위해 관계 \(r_{2}\)의 유형을 결정합니다, "\(\mathrm{type}(e_{1})\)'s \(\mathrm{type}(r_{1})\)"의 \(\mathrm{type}(r_{2})\)". 이전 단계에서 결정된 "\(\mathrm{type}(e_{1})\)'s \(\mathrm{type}(r_{1})\)"는 국가, 조직, 학부 대학, 게임 개발사), 실제 인물(저자, 회장, CEO, 배우자, 가수), 가상의 인물(주인공), 영화, 소설 또는 도시(본사 도시)의 범주에 속한다는 점에 유의하세요. 또한 "\(\mathrm{type}(e_{1})\)'s \(\mathrm{type}(r_{1})\)"는 설명이 언급된 교량 엔티티 자체이기도 합니다. 따라서 이러한 범주의 \(e_{2}\)에 대해 관계 \(r_{2}\)를 만족하는 유일한 객체 엔티티가 \(e_{3}\)인 충분한 수의 \((e_{2},r_{2},e_{3})\)를 제공할 수 있는 \(r_{2}\)를 선택합니다. 이전 단계와 마찬가지로 일반적인 관계를 \(r_{2}\)로 선택합니다. 선택한 \(r_{2}\)의 유형을 사용하여 "노래의 가수의 어머니"(특정 소설의 출생 도시), "본사 도시 비디오 게임의 개발자"(특정 비디오 게임의 개발자 본사가 있는 도시), "주인공의 영화 감독"(특정 캐릭터가 주인공인 영화의 감독) 등 52개의 사실 구성 유형을 생성합니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Now that we have "\(\mathrm{type}(e_{1})\)'s \(\mathrm{type}(r_{1})\)" determined, we determine the type of relations \(r_{2}\) to determine the type of the fact composition, "\(\mathrm{type}(r_{2})\) of \(\mathrm{type}(e_{1})\)'s \(\mathrm{type}(r_{1})\)". Note that "\(\mathrm{type}(e_{1})\)'s \(\mathrm{type}(r_{1})\)" determined in the previous step falls into the category of country, organization, undergraduate university, game developer), real person (author, president, CEO, spouse, singer), fictional character (main character), movie, novel, or city (headquarters city). Note that "\(\mathrm{type}(e_{1})\)'s \(\mathrm{type}(r_{1})\)" is also the bridge entity itself that the descriptive mention refers to. Therefore, we select \(r_{2}\) that are likely to give us a sufficient number of \((e_{2},r_{2},e_{3})\) where \(e_{3}\) is the only object entity satisfying the relation \(r_{2}\) for these categories of \(e_{2}\). As in the previous step, we select common relations as \(r_{2}\). Using the selected types of \(r_{2}\), we create 52 fact composition types including "mother of song's singer" (the city where the novel of a specific novel was born), "headquarters city video game's developer" (the city where the headquarters of the developer of a specific video game is located), and "director of main character's movie" (the director of the movie which has a specific character as the main character). [|assistant|]

더 큰 규모의 모델에 대한 데이터를 테스트하기 위해 파라미터가 14B인 모델인 **phi-3-medium**도 동일한 tokenizer 및 architecture를 사용하여 **phi-3-mini**를 학습하고, 동일한 데이터에 대해 약간 더 많은 epoch(총 4.8T tokens) 동안 학습했습니다. 이 모델은 embedding 차원이 5120인 40개의 head와 40개의 layer를 가지고 있습니다. 일부 benchmark는 7B에서 14B로 갈수록 3.8B에서 7B로 갈수록 benchmark가 7B에서 14B로 갈수록 훨씬 덜 개선되는 것을 관찰할 수 있는데, 이는 14B 파라미터 모델에 대해 "data optimal regime"에 도달하기 위해 data mixture에 추가 작업이 필요하다는 것을 나타냅니다. 일부 benchmark(HumanEval 회귀 포함)를 계속 조사하고 있으므로 **phi-3-medium**의 수치는 "미리보기"로 간주해야 합니다.[|endofturn|]

더 큰 규모의 모델에 대한 데이터를 테스트하기 위해 파라미터가 14B인 모델인 **phi-3-medium**도 동일한 토큰화 및 아키텍처를 사용하여 **phi-3-mini**를 학습하고, 동일한 데이터에 대해 약간 더 많은 에포크(총 4.8T 토큰) 동안 학습했습니다. 이 모델은 임베딩 차원이 5120인 40개의 헤드와 40개의 레이어를 가지고 있습니다. 일부 벤치마크는 7B에서 14B로 갈수록 3.8B에서 7B로 갈수록 벤치마크가 7B에서 14B로 갈수록 훨씬 덜 개선되는 것을 관찰할 수 있는데, 이는 14B 파라미터 모델에 대해 "데이터 최적 레짐"에 도달하기 위해 데이터 혼합에 추가 작업이 필요하다는 것을 나타냅니다. 일부 벤치마크(HumanEval 회귀 포함)를 계속 조사하고 있으므로 **phi-3-medium**의 수치는 "미리보기"로 간주해야 합니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]To test our data on larger size of models, we also trained **phi-3-medium**, a model with 14B parameters using the same tokenizer and architecture of **phi-3-mini**, and trained on the same data for slightly more epochs (4.8T tokens total as for **phi-3-small**). The model has 40 heads and 40 layers, with embedding dimension 5120. We observe that some benchmarks improve much less from 7B to 14B than they do from 3.8B to 7B, perhaps indicating that our data mixture needs further work to be in the "data optimal regime" for 14B parameters model. We are still actively investigating some of those benchmarks (including a regression on HumanEval), hence the numbers for **phi-3-medium** should be considered as a "preview". [|assistant|]

각주 2: ALMA-13B-LoRA는 ALMA 제품군에서 최고의 13B 번역 모델입니다. 처음에는 단일 언어 데이터에 대해 _전체 가중치_ Fine-tuning을 거친 다음, _저순위 적응_ (LoRA) (Hu et al., 2022)을 사용하여 고품질의 사람이 작성한 병렬 데이터에 대해 Fine-tuning합니다.[|endofturn|]

각주 2: ALMA-13B-LoRA는 ALMA 제품군에서 최고의 13B 번역 모델입니다. 처음에는 단일 언어 데이터에 대해 _전체 가중치_ 미세 조정을 거친 다음, _저순위 적응_ (LoRA) (Hu et al., 2022)을 사용하여 고품질의 사람이 작성한 병렬 데이터에 대해 미세 조정합니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Footnote 2: ALMA-13B-LoRA is the best 13B translation model in the ALMA families. It initially undergoes _full-weight_ fine-tuning on monolingual data, followed by fine-tuning on high-quality human-written parallel data using _low-rank adaptation_ (LoRA) (Hu et al., 2022). [|assistant|]

그림 6: **Compute-Normalized Generalization Results**. 사용된 추론 호출 수로 정규화된 성능 곡선을 시각화합니다.[|endofturn|]

그림 6: **컴퓨팅 정규화 일반화 결과**. 사용된 추론 호출 수로 정규화된 성능 곡선을 시각화합니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]Figure 6: **Compute-Normalized Generalization Results**. We visualize the performance curves normalized by the number of inference calls used. [|assistant|]

먼저, 질문 \(Q\), 관련 문맥 구절 \(P\), 해당 답변 \(A\)를 포함하는 개방형 도메인 question answering 데이터 세트를 선택합니다. \(DS_{Adapt}\)를 빈 집합으로 초기화합니다(알고리즘의 1줄). \(Q\)의 각 질문에 대해 retrieval 메커니즘 없이 기본 LLM을 활용하여 zero-shot inference를 수행합니다(3줄). 이 단계를 통해 모델이 정답을 생성하는 질문과 그 반응이 부정확한 질문을 구분할 수 있습니다. 이 프로세스는 기본 LLM이 파라메트릭 메모리로 인해 _알고 있는_ 것을 발견하는 방법으로 이해할 수 있습니다.[|endofturn|]

먼저, 질문 \(Q\), 관련 문맥 구절 \(P\), 해당 답변 \(A\)를 포함하는 개방형 도메인 질문 답변 데이터 세트를 선택합니다. DS_{Adapt}\)를 빈 집합으로 초기화합니다(알고리즘의 1줄). Q\)의 각 질문에 대해 검색 메커니즘 없이 기본 LLM을 활용하여 제로 샷 추론을 수행합니다(3줄). 이 단계를 통해 모델이 정답을 생성하는 질문과 그 반응이 부정확한 질문을 구분할 수 있습니다. 이 프로세스는 기본 LLM이 파라메트릭 메모리로 인해 _알고 있는_ 것을 발견하는 방법으로 이해할 수 있습니다.[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]We begin by selecting an open-domain question answering dataset containing questions \(Q\), associated context passages \(P\), and corresponding answers \(A\). We initialize \(DS_{Adapt}\) to an empty set (line 1 of the algorithm). For each question in \(Q\), we leverage the base LLM without any retrieval mechanism to perform a zero-shot inference (line 3). This step allows us to differentiate questions for which the model generates correct answers from those where its responses are inaccurate. This process can be understood as a way to discover what the base LLM _knows_ due to its parametric memory. [|assistant|]

주석 달기 어노테이터는 이 작업을 어떻게 인식하나요? Annotators는 특히 구체적인 줄거리 포인트가 아닌 주제에 대한 광범위한 주장을 다룰 때 요약을 평가하는 데 있어 몇 가지 어려움을 강조하여 텍스트 내에서 관련 근거를 찾기가 어렵다는 점을 지적했습니다. 감정이나 주제적 주장과 같은 추상적인 개념은 상당한 장애물이었으며, 일부 Annotators는 이러한 주장을 정확하게 뒷받침하거나 반박하는 인용문을 찾는 데 어려움을 겪었습니다. 또한 부분적으로만 사실인 주장을 평가하는 것도 어려웠는데, 이를 위해서는 더 자세한 근거가 필요했습니다(실제 의견은 표 4 참조).[|endofturn|]

주석 달기 어노테이터는 이 작업을 어떻게 인식하나요? 주석 달기자들은 특히 구체적인 줄거리 포인트가 아닌 주제에 대한 광범위한 주장을 다룰 때 요약을 평가하는 데 있어 몇 가지 어려움을 강조하여 텍스트 내에서 관련 근거를 찾기가 어렵다는 점을 지적했습니다. 감정이나 주제적 주장과 같은 추상적인 개념은 상당한 장애물이었으며, 일부 주석가들은 이러한 주장을 정확하게 뒷받침하거나 반박하는 인용문을 찾는 데 어려움을 겪었습니다. 또한 부분적으로만 사실인 주장을 평가하는 것도 어려웠는데, 이를 위해서는 더 자세한 근거가 필요했습니다(실제 의견은 표 4 참조).[|endofturn|]

[|system|]당신은 번역기 입니다. 영어 문장을 한국어로 번역하세요.[|endofturn|] [|user|]How do annotators perceive the task?Annotators highlighted several challenges in assessing the summaries, particularly when dealing with broad claims about themes rather than specific plot points, making it difficult to find relevant supporting evidence within the text. Abstract concepts, like emotions or thematic claims, posed significant obstacles, with some annotators struggling to locate quotations that precisely supported or refuted these claims. They also pointed out the difficulty of evaluating claims that were only partially true, which required more detailed support (see Table 4 for actual comments). [|assistant|]