다국어 영역에서 4배 더 큰 라이벌을 물리친 엔비디아의 네모트론-4 15B, 다국어 영역 장악

언어 모델 사전 학습 분야의 최근 혁신은 일정한 컴퓨팅 예산을 유지하면서 모델의 크기에 따라 데이터를 확장하는 친칠라 스케일링 법칙의 원리에서 영감을 얻었습니다. 이 방법론은 단순히 모델 자체를 확대하는 대신 더 큰 데이터 세트에 대한 학습에 컴퓨팅 리소스를 투입함으로써 이 두 가지 요소 간의 매력적인 절충안을 제공합니다. 결과적으로 이 접근 방식은 지연 시간을 줄이고 모델 배포를 위한 계산 전제 조건을 줄여 언어 모델링 기술 영역에서 상당한 진전을 이룰 수 있습니다.

이러한 추세에 발맞춰 최근 NVIDIA 연구 그룹에서 150억 개에 달하는 방대한 파라미터 수를 자랑하며 8조 개의 텍스트 토큰으로 구성된 방대한 코퍼스를 광범위하게 학습한 Nemotron-4 15B를 발표했습니다. 이 놀라운 모델은 비슷한 규모의 다른 모델에 비해 탁월한 다국어 능력을 보여줍니다.

Nemotron-4는 Vaswani 등(2017)이 소개한 표준 디코더 전용 Transformer 아키텍처를 기반으로 합니다. 이 모델은 인과 관계 주의 마스크를 특징으로 하며, 32억 개의 임베딩 파라미터와 125억 개의 비임베딩 파라미터로 구성되어 있습니다. 이 모델은 성능을 더욱 최적화하기 위해 Su 등(2021)이 제안한 회전 위치 임베딩(RoPE), Kudo와 Richardson(2018)이 개발한 SentencePiece 토큰화, MLP 레이어의 제곱 ReLU 활성화, 편향 용어 부재, 0의 드롭아웃률 등 여러 고급 기술을 통합하고 있습니다. 또한, 네모트론-4는 그룹화된 쿼리 주의(GQA)

엔비디아 호퍼 아키텍처(NVIDIA, 2022)에 따라 각각 8개의 H100 80GB SXM5 GPU를 포함하는 384개의 DGX H100 노드를 사용하여 네모트론-4의 훈련 과정에 필수적인 요소로 활용했습니다. 이를 위해 연구진은 8방향 텐서 병렬 처리(Shoeybi et al., 2019)와 데이터 병렬 처리를 결합하는 동시에 데이터 병렬 복제본에 최적화 상태를 분산하는 분산 최적화기를 사용하는 접근 방식을 채택했습니다.

Nemotron-4 15B는 영어, 코드, 다국어 평가 등 여러 영역에서 뛰어난 성능을 보여줍니다. 크기가 훨씬 더 크고 다국어 애플리케이션을 위해 특별히 설계된 모델보다 상당한 차이를 보이며, 동일한 매개변수 범위 내의 다른 모델과 비교하여 다국어 작업에 탁월한 선택으로 입지를 굳히고 있습니다.

간단히 말해서 Nemotron-4 15B는 비슷한 크기의 다른 범용 언어 모델과 비교할 때 여러 언어에 걸쳐 탁월한 다목적성을 보여줍니다.실제로 그 성능은 다국어 작업을 위해 특별히 설계된 일부 특수 모델의 성능을 능가합니다. 이 놀라운 성과는 방대한 양의 데이터를 사용하여 대규모 언어 모델을 훈련하는 데 있어 주목할 만한 결과를 도출할 수 있는 상당한 가능성을 보여줍니다.

논문 Nemotron-4 15B 기술 보고서 arXiv 에 있습니다.