LLM क्वाड्रेटिक ಬಾಟಲ್ನೆಕ್ ಅನ್ನು ಪರಿಹರಿಸುವಲ್ಲಿ Subquadratic ಮೈಲಿಗಲ್ಲು ಸಾಧನೆ ಮಾಡಿದೆ ಎಂಬ ಪ್ರತಿಪಾದನೆ
ಮಿಯಾಮಿ ಮೂಲದ ಸ್ಟಾರ್ಟ್ಅಪ್ Subquadratic, ಕಳೆದ ಒಂದು ದಶಕದಿಂದ Large Language Models (LLMs) ಅನ್ನು ಸೀಮಿತಗೊಳಿಸುತ್ತಿದ್ದ ಗಣಿತೀಯ ಮಿತಿಯನ್ನು ಪರಿಹರಿಸಿದೆ ಎಂದು ಪ್ರತಿಪಾದಿಸುತ್ತಿದ್ದು, ಇದು AI ಉದ್ಯಮದಲ್ಲಿ ದೊಡ್ಡ ಚರ್ಚೆಯನ್ನು ಹುಟ್ಟುಹಾಕಿದೆ. ಆರಂಭದಲ್ಲಿ ಹೆಚ್ಚಿನ ಅನುಮಾನಗಳಿದ್ದರೂ, ಇತ್ತೀಚಿನ ಸ್ವತಂತ್ರ ಪರಿಶೀಲನೆಗಳು ಅವರ ಹೊಸ "SubQ" ಆರ್ಕಿಟೆಕ್ಚರ್ ಜನರೇಟಿವ್ AI ನ ಮಾದರಿಯನ್ನೇ ಮೂಲಭೂತವಾಗಿ ಬದಲಾಯಿಸಬಲ್ಲದು ಎಂದು ಸೂಚಿಸುತ್ತಿವೆ.
ಸಮಸ್ಯೆ: Dense Attention ನ क्वाड्रेटिक ವೆಚ್ಚ
Subquadratic ನ ಪ್ರತಿಪಾದನೆಯ ಮಹತ್ವವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು, 2017 ರಲ್ಲಿ Google ಪರಿಚಯಿಸಿದ "Transformer" ಆರ್ಕಿಟೆಕ್ಚರ್ ಅನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಅಗತ್ಯ. ಹೆಚ್ಚಿನ ಆಧುನಿಕ LLM ಗಳು dense attention ಎಂಬ ಕಾರ್ಯವಿಧಾನವನ್ನು ಅವಲಂಬಿಸಿವೆ. ಈ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ, ಸಂದರ್ಭವನ್ನು (context) ಗ್ರಹಿಸಲು ಸರಣಿಯಲ್ಲಿರುವ ಪ್ರತಿಯೊಂದು ಟೋಕನ್ ಅನ್ನು (ಪದ ಅಥವಾ ಪದದ ಭಾಗ) ಉಳಿದ ಎಲ್ಲಾ ಟೋಕನ್ಗಳಿಂದ ಗುಣಲಬ್ಧ ಮಾಡಲಾಗುತ್ತದೆ.
ಇದು 'ಕ್ವಾಡ್ರಾಟಿಕ್ ಎಕ್ಸ್ಪ್ಯಾನ್ಷನ್' ಎಂದು ಕರೆಯಲ್ಪಡುವ ಬೃಹತ್ ಕಂಪ್ಯೂಟೇಶನಲ್ ಹೊರೆಯನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ. ನೀವು ಪಠ್ಯದ ಉದ್ದವನ್ನು ಎರಡರಷ್ಟು ಮಾಡಿದರೆ, ಕಂಪ್ಯೂಟೇಶನಲ್ ಅಗತ್ಯತೆಗಳು ಸರಿಸುಮಾರು ನಾಲ್ಕು ಪಟ್ಟು ಹೆಚ್ಚಾಗುತ್ತವೆ. 10,000 ಪದಗಳ ದಾಖಲೆಗಾಗಿ, ಮಾಡೆಲ್ ಸುಮಾರು 50 ಮಿಲಿಯನ್ ವೈಯಕ್ತಿಕ ಗುಣಲಬ್ಧಗಳನ್ನು ಮಾಡಬೇಕಾಗುತ್ತದೆ. ಈ ಅಸಮರ್ಥತೆಯೇ LLM ಗಳು ದೀರ್ಘ ಸಂದರ್ಭಗಳನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲು ಅತೀವ ಶಕ್ತಿ ಮತ್ತು ದುಬಾರಿ ಹಾರ್ಡ್ವೇರ್ ಅಗತ್ಯವಿರುವ "power hogs" ಎಂದು ಹೆಸರುವಾಸಿಯಾಗಲು ಮುಖ್ಯ ಕಾರಣವಾಗಿದೆ.
ಪರಿಹಾರ: Sparse Attention ಮೂಲಕ ಸ್ಕೇಲಿಂಗ್
Subquadratic ನ SubQ ಮಾಡೆಲ್, dense attention ಅನ್ನು ಬಿಟ್ಟು sparse attention ಅನ್ನು ಬಳಸುವ ಗುರಿಯನ್ನು ಹೊಂದಿದೆ. ಪದಗಳ ನಡುವಿನ ಪ್ರತಿಯೊಂದು ಸಂಬಂಧವೂ ಒಂದು ದಾಖಲೆಯನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ನಿರ್ಣಾಯಕವಲ್ಲ ಎಂಬುದು ಇದರ ಮೂಲ ತತ್ವವಾಗಿದೆ. ಪ್ರತಿಯೊಂದು ಟೋಕನ್ ಅನ್ನು ಉಳಿದ ಎಲ್ಲಾ ಟೋಕನ್ಗಳಿಂದ ಗುಣಲಬ್ಧ ಮಾಡುವ ಬದಲು, sparse attention ಕೇವಲ ಅತ್ಯಂತ ಪ್ರಸ್ತುತವಾದ ಸಂಬಂಧಗಳನ್ನು ಮಾತ್ರ ಲೆಕ್ಕಾಚಾರ ಮಾಡಲು ಆಯ್ಕೆ ಮಾಡುತ್ತದೆ.
"sparse attention" ಎಂಬುದು ಹೊಸ ಪರಿಕಲ್ಪನೆಯಲ್ಲದಿದ್ದರೂ, ಹಿಂದಿನ ಪ್ರಯತ್ನಗಳು dense-attention ಮಾಡೆಲ್ಗಳಲ್ಲಿ ಕಂಡುಬರುವ ಹೆಚ್ಚಿನ ಮಟ್ಟದ ತರ್ಕ ಮತ್ತು ಸೂಕ್ಷ್ಮತೆಯನ್ನು ಕಾಯ್ದುಕೊಳ್ಳಲು ಹೆಣಗಾಡಿದ್ದವು. Subquadratic ಈ ಅಂತರವನ್ನು ತುಂಬುವ ಮೂಲಕ, ಸಾಂಪ್ರದಾಯಿಕ ಬುದ್ಧಿವಂತಿಕೆಯ ಇಳಿಕೆಯಿಲ್ಲದೆ sparse attention ನ ದಕ್ಷತೆಯನ್ನು ನೀಡುವ ಮಾಡೆಲ್ ಅನ್ನು ಸೃಷ್ಟಿಸಿದೆ ಎಂದು ಪ್ರತಿಪಾದಿಸುತ್ತದೆ.
ಪ್ರತಿಪಾದನೆಗಳ ದೃಢೀಕರಣ: Appen ನಿಂದ ಬಂದ ಫಲಿತಾಂಶಗಳು
ಆರಂಭಿಕ ಅನುಮಾನಗಳ ನಂತರ—ಕೆಲವು ವಿಮರ್ಶಕರು ದೃಢೀಕರಿಸದ ಈ ಪ್ರತಿಪಾದನೆಗಳನ್ನು "AI Theranos" ಗೆ ಹೋಲಿಸುವಷ್ಟು ಹೋಗಿದ್ದರು—Subquadratic ಈಗ ಪ್ರಮುಖ AI ಮೌಲ್ಯಮಾಪನ ಸಂಸ್ಥೆಯಾದ Appen ನಿಂದ ಪಡೆದ ಮೂರನೇ ವ್ಯಕ್ತಿಯ ಬೆಂಚ್ಮಾರ್ಕ್ಗಳನ್ನು ಬಿಡುಗಡೆ ಮಾಡಿದೆ. Appen ನ ಸ್ವತಂತ್ರ ಪರೀಕ್ಷೆಯ ಫಲಿತಾಂಶಗಳು SubQ ಆರ್ಕಿಟೆಕ್ಚರ್ ಅನ್ನು ದೃಢೀಕರಿಸಿವೆ ಮತ್ತು ಈ ಸಂಶೋಧನೆಗಳನ್ನು "ಆಘಾತಕಾರಿ" ಮತ್ತು ಸಂಭಾವ್ಯ "game changer" ಎಂದು ಬಣ್ಣಿಸಿವೆ.
According to the startup, SubQ offers several transformative technical advantages:
- Context Window: SubQ can process up to 12 times more text at once compared to most current models, making it ideal for analyzing entire codebases or massive document libraries.
- Performance: Despite the leaner architecture, SubQ matches the performance of industry leaders like OpenAI, Google DeepMind, and Anthropic on critical tasks such as coding.
- Efficiency: The model is significantly faster, cheaper, and more energy-efficient than existing transformer-based models.
A New Era Beyond Transformers?
Subquadratic is not just looking to optimize current models; they are looking to replace the foundational architecture of the industry. CEO Justin Dangel has stated that the company believes the era of building on Transformers may be coming to an end. If SubQ can continue to prove its efficacy at scale, the transition from dense to sparse attention could represent the most significant shift in AI architecture since the invention of the Transformer itself.
Key Takeaways
- Breaking the Quadratic Barrier: SubQ uses sparse attention to avoid the exponential increase in computation required by traditional dense attention.
- Superior Context Handling: The model can process 12x more data at once, enabling deep analysis of large-scale datasets and long-form code.
- Verified Efficiency: Independent testing by Appen confirms that SubQ achieves high-tier performance (matching OpenAI and Google) at a fraction of the cost and energy.