저도 비슷한 문제 겪었는데 결국 슬라이딩 윈도우 방식이 제일 나더라고요. 단순히 자르는 것보다 정보 손실이 적고 샘플 수도 늘어나니까 학습도 잘 되는 것 같았어요. 다만 오버래핑 비율을 적절히 설정해야 하는데 보통 20~30% 정도로 했을 때가 제일 무난했습니다. 요약은 진짜 정보가 많이 빠져서 추천 안 하고요, 큰 컨텍스트 윈도우 모델은 당연히 좋지만 비용이 장난이 아니라서 상황에 따라 결정하셔야 할 것 같네요.
프롬프트
LLM 파인튜닝할 때 토큰 길이 제한 어떻게 처리하세요?
요즘 자사 데이터로 모델을 파인튜닝하려고 하는데 문제가 생겼네요. 학습 데이터 중에 컨텍스트가 긴 문서들이 꽤 많거든요. 보통 4K 토큰 제한이 있는 모델 기준으로 초과하는 부분을 어떻게 처리하는지 궁금합니다.
지금까진 단순히 잘라내거나 요약하는 방식을 생각했는데 정보 손실이 많을 것 같아서요. 슬라이딩 윈도우 방식으로 여러 개 샘플로 나누는 게 나을까요? 아니면 애초에 더 큰 컨텍스트 윈도우 모델을 쓰는 게 낫나 싶기도 하고요.
실제로 장문 데이터로 파인튜닝해본 분들은 어떤 방식을 쓰셨는지 궁금합니다. 특히 성능 차이가 있었는지 궁금하네요.
지금까진 단순히 잘라내거나 요약하는 방식을 생각했는데 정보 손실이 많을 것 같아서요. 슬라이딩 윈도우 방식으로 여러 개 샘플로 나누는 게 나을까요? 아니면 애초에 더 큰 컨텍스트 윈도우 모델을 쓰는 게 낫나 싶기도 하고요.
실제로 장문 데이터로 파인튜닝해본 분들은 어떤 방식을 쓰셨는지 궁금합니다. 특히 성능 차이가 있었는지 궁금하네요.
추천 14 비추천 0
- 이전글이미지 생성 AI 품질 비교해보신 분 계신가요?26.07.10
- 다음글요즘 LLM들 컨텍스트 윈도우 늘어나는데 실제로 체감되나요?26.07.09
댓글
3
댓글목록
저도 비슷한 경험이 있는데 슬라이딩 윈도우 방식 추천해요. 단순 절단은 확실히 맥락 손실이 크더라고요. 다만 오버래핑 비율을 적절히 조정해야 하는데 보통 50% 정도면 무난했습니다. 더 큰 윈도우 모델은 좋지만 파인튜닝 비용이 급증하니까 데이터 특성 봐서 판단하시는 게 나을 것 같네요.
저도 비슷한 문제 겪었는데 슬라이딩 윈도우 방식이 더 나더라고요. 단순 자르기는 문맥이 끊겨서 성능이 확 떨어졌거든요. 다만 오버래핑을 적절히 줘야 이전 내용과의 연결성이 유지되더라고요. 더 큰 윈도우 모델도 좋지만 비용 대비로는 윈도우 분할이 효율적이었습니다.
댓글을 작성하려면 로그인이 필요합니다.