9月28日消息，DeepMind 研究人員日前評估大型語言模型（LLM）的壓縮能力時，發(fā)現這些模型的“壓縮能力”相當驚人，除了常規(guī)文字資料外，還可以壓縮圖片和音頻，相關內容已經發(fā)布在 ArXiv 上。

據悉，DeepMind 在研究中，使用了一個名為“Chinchilla 70B”的模型，雖然這個模型主要使用文字訓練，但是研究人員發(fā)現該模型也可用于壓縮 ImageNet 圖片（PNG），可將文件壓縮至原始大小的 43.3％，甚至可將 LibriSpeech 語音樣本（FLAC）壓縮至原始的 16.4％。

DeepMind 的研究證明，模型的“預測”能力和“壓縮”能力之間存在“等價性”，因此研究人員可以使用任何壓縮算法，建立一個更加強大的條件生成模型。

IT之家注：“壓縮”本質上就一種編碼的過程，目標是要以更少的內容表示更多的資料，因此當模型達到一定的預測能力時，其實也就代表模型學會了一種編碼的方式，這種編碼方式能夠用來壓縮文件，因為模型已經理解了相應文件中的特征和模式（即一個模型如果能實現精確預測，也就能夠捕捉文件的本質特征和結構，從而有效地壓縮資料文件）。

DeepMind 認為，在當前語言模型成果豐富的當下，任何人都可以取得語言模型并將其用于壓縮中，而不需負擔額外的訓練成本。

同時，研究也顯示，即使是“主要使用文字進行訓練的基礎模型”，由于其上下文學習能力，因此也能夠很好地成為“通用壓縮器”。

研究還發(fā)現，若要將模型用于壓縮上，模型并非越大越好，過大的模型可能反而對壓縮能力產生負面影響，因為模型的參數本身也需要在輸出中被考慮進去，當有一個模型具有非常多的參數，雖然能夠有效壓縮資料，但是龐大的參數本身也會成為負擔，且自然語言處理常用到的分詞（Tokenization）方法（把一串文字切割成更小、更容易處理的步驟），在壓縮層面上不會提高壓縮效率，反而會增加模型的體積。

生成海報

免責聲明：本網站內容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網站出現的信息，均僅供參考。本網站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網站中的網頁或鏈接內容可能涉嫌侵犯其知識產權或存在不實內容時，應及時向本網站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網站在收到上述法律文件后，將會依法盡快聯系相關文章源頭核實，溝通刪除相關內容或斷開相關鏈接。