모델 페이지: Gemma
리소스 및 기술 문서:
이용약관: 약관
작성자: Google
모델 정보
입력과 출력에 대한 요약 설명 및 간략한 정의입니다.
설명
Gemma는 Google의 최첨단 경량 개방형 모델 제품군으로, Gemini 모델을 만드는 데 사용된 것과 동일한 연구와 기술을 바탕으로 제작되었습니다. 이 모델은 텍스트 대 텍스트 디코더 전용 대규모 언어 모델로, 사전 학습된 변형과 명령에 맞게 조정된 변형 모두에 대해 개방형 가중치를 사용하며 영어로 제공됩니다. Gemma 모델은 질의 응답, 요약, 추론을 비롯한 다양한 텍스트 생성 태스크에 적합합니다. 상대적으로 크기가 작기 때문에 노트북, 데스크톱 또는 자체 클라우드 인프라와 같이 리소스가 제한된 환경에 애플리케이션을 배포할 수 있으므로 최첨단 AI 모델에 대한 액세스가 범용화되고 모든 사람의 혁신을 촉진하는 데 도움이 됩니다.
입력 및 출력
- 입력: 질문, 프롬프트, 요약할 문서와 같은 텍스트 문자열입니다.
- 출력: 질문에 대한 답변, 문서 요약 등 입력에 대한 응답으로 생성된 영어 텍스트입니다.
인용문
@article{gemma_2024,
title={Gemma},
url={https://www.kaggle.com/m/3301},
DOI={10.34740/KAGGLE/M/3301},
publisher={Kaggle},
author={Gemma Team},
year={2024}
}
모델 데이터
모델 학습에 사용되는 데이터 및 데이터 처리 방식
학습 데이터 세트
이러한 모델은 다양한 소스를 포함하는 텍스트 데이터 데이터 세트로 학습되었습니다. 270억 개의 모델은 13조 개의 토큰으로 학습되었으며 90억 개의 모델은 8조 개의 토큰으로 학습되었습니다. 주요 구성요소는 다음과 같습니다.
- 웹 문서: 다양한 웹 텍스트 컬렉션을 통해 모델이 다양한 언어 스타일, 주제, 어휘에 노출됩니다. 주로 영어 콘텐츠입니다.
- 코드: 모델을 코드에 노출하면 프로그래밍 언어의 문법과 패턴을 학습하여 코드를 생성하거나 코드 관련 질문을 이해하는 데 도움이 됩니다.
- 수학: 수학 텍스트를 학습하면 모델이 논리적 추론과 기호 표현을 학습하고 수학적 쿼리를 처리하는 데 도움이 됩니다.
다양한 작업과 텍스트 형식을 처리할 수 있는 강력한 언어 모델을 학습시키는 데는 이러한 다양한 데이터 소스의 조합이 중요합니다.
데이터 전처리
다음은 학습 데이터에 적용되는 주요 데이터 정리 및 필터링 방법입니다.
- CSAM 필터링: 유해하고 불법적인 콘텐츠를 제외하기 위해 데이터 준비 프로세스의 여러 단계에서 엄격한 CSAM (아동 성적 학대 콘텐츠) 필터링이 적용되었습니다.
- 민감한 정보 필터링: Gemma 선행 학습된 모델을 안전하고 안정적으로 만들기 위해 자동화된 기법을 사용하여 학습 세트에서 특정 개인 정보 및 기타 민감한 정보를 필터링했습니다.
- 추가 방법: Google 정책에 따라 콘텐츠 품질 및 안전성을 기반으로 필터링합니다.
구현 정보
모델 내부 요소에 대한 세부정보입니다.
하드웨어
Gemma는 최신 세대의 Tensor Processing Unit (TPU) 하드웨어 (TPUv5p)를 사용해 학습되었습니다.
대규모 언어 모델을 학습시키려면 상당한 컴퓨팅 성능이 필요합니다. 머신러닝에서 일반적으로 사용되는 행렬 연산을 위해 특별히 설계된 TPU는 이 영역에서 여러 가지 이점을 제공합니다.
- 성능: TPU는 LLM 학습과 관련된 대규모 연산을 처리하도록 특별히 설계되었습니다. CPU에 비해 학습 속도를 크게 높일 수 있습니다.
- 메모리: TPU에는 대량의 고대역폭 메모리가 제공되는 경우가 많아 학습 중에 대규모 모델과 배치 크기를 처리할 수 있습니다. 이를 통해 모델 품질을 개선할 수 있습니다.
- 확장성: TPU Pod (대규모 TPU 클러스터)는 증가하는 대규모 기반 모델의 복잡성을 처리하기 위한 확장 가능한 솔루션을 제공합니다. 더 빠르고 효율적인 처리를 위해 여러 TPU 기기에 학습을 분산할 수 있습니다.
- 비용 효율성: 많은 시나리오에서 TPU는 특히 빠른 학습으로 절약되는 시간과 리소스를 고려할 때 CPU 기반 인프라보다 대규모 모델 학습에 더 비용 효율적인 솔루션을 제공할 수 있습니다.
- 이러한 이점은 지속 가능한 운영을 위한 Google의 노력과 일치합니다.
소프트웨어
교육은 JAX 및 ML Pathways를 사용해 진행되었습니다.
연구원들은 JAX를 사용하여 TPU를 포함한 최신 하드웨어를 활용하여 대규모 모델을 더 빠르고 효율적으로 학습시킬 수 있습니다.
ML Pathways는 여러 태스크에 걸쳐 일반화할 수 있는 인공지능 시스템을 빌드하려는 Google의 최신 노력입니다. 이는 이러한 대규모 언어 모델을 비롯한 기반 모델에 특히 적합합니다.
JAX와 ML Pathways는 Gemini 모델군 관련 문서에서 설명한 대로 사용됩니다. 'Jax와 Pathways의 '단일 컨트롤러' 프로그래밍 모델을 사용하면 단일 Python 프로세스로 전체 학습 실행을 조정하여 개발 워크플로를 크게 간소화할 수 있습니다.'
평가
모델 평가 측정항목 및 결과
벤치마킹 결과
이러한 모델은 텍스트 생성의 여러 측면을 고려하여 다양한 데이터 세트 및 측정항목을 기준으로 평가되었습니다.
| 벤치마크 | 측정항목 | Gemma PT 9B | Gemma PT 27B |
|---|---|---|---|
| MMLU | 5샷, 탑1 | 71.3 | 75.2 |
| HellaSwag | 10샷 | 81.9 | 86.4 |
| PIQA | 제로샷 | 81.7 | 83.2 |
| SocialIQA | 제로샷 | 53.4 | 53.7 |
| BoolQ | 제로샷 | 84.2 | 84.8 |
| WinoGrande | 부분 점수 | 80.6 | 83.7 |
| ARC-e | 제로샷 | 88.0 | 88.6 |
| ARC-c | 25샷 | 68.4 | 71.4 |
| TriviaQA | 5샷 | 76.6 | 83.7 |
| 자연스러운 질문 | 5샷 | 29.2 | 34.5 |
| HumanEval | 1번 인증 | 40.2 | 51.8 |
| MBPP | 3샷 | 52.4 | 62.6 |
| GSM8K | 5샷, maj@1 | 68.6 | 74.0 |
| MATH | 4샷 | 36.6 | 42.3 |
| AGIEval | 3-5샷 | 52.8 | 55.1 |
| 빅벤치 | 3샷, CoT | 68.2 | 74.9 |
윤리 및 안전
윤리 및 안전 평가 접근 방식 및 결과
평가 접근 방식
Google의 평가 방법에는 관련 콘텐츠 정책에 대한 구조화된 평가와 내부 레드팀 테스트가 포함됩니다. 레드팀은 각각 목표와 인적 평가 측정항목이 서로 다른 여러 팀에서 수행했습니다. 이 모델은 다음을 포함하여 윤리 및 안전과 관련된 여러 카테고리에 대해 평가되었습니다.
- 텍스트 간 콘텐츠 안전: 아동 성적 학대 및 착취, 괴롭힘, 폭력 및 유혈, 증오심 표현 등 안전 정책을 다루는 프롬프트에 대한 검토자의 평가
- 텍스트 대 텍스트 표현 피해: WinoBias, BBQ 데이터 세트와 같은 관련 학술 데이터 세트를 기준으로 벤치마킹합니다.
- 기억: 개인 식별 정보 노출 위험을 포함한 학습 데이터 기억을 자동으로 평가합니다.
- 대규모 피해: 화학, 생물, 방사선, 핵 (CBRN) 위험과 같은 '위험한 기능'을 테스트합니다.
평가 결과
윤리 및 안전 평가의 결과는 아동 안전, 콘텐츠 안전, 표현적 위해, 기억, 대규모 피해와 같은 카테고리의 내부 정책을 충족하기 위한 허용 가능한 기준 이내입니다. 강력한 내부 평가 외에도 BBQ, BOLD, Winogender, Winobias, RealToxicity, TruthfulQA 등 잘 알려진 안전 벤치마크의 결과가 여기에 표시됩니다.
Gemma 2.0
| 벤치마크 | 측정항목 | Gemma 2 IT 9B | Gemma 2 IT 27B |
|---|---|---|---|
| RealToxicity | 평균 | 8:25 | 8.84 |
| 크라우드 페어 | top-1 | 37.47 | 36.67 |
| BBQ 암빅 | 원샷, 탑1 | 88.58 | 85.99달러 |
| BBQ 식별 | top-1 | 82.67 | 86.94 |
| 와이노젠더 | top-1 | 79.17 | 77:22 |
| TruthfulQA | 50.27 | 51.60 | |
| 위노비아스 1_2 | 78.09 | 81.94 | |
| 위노비아스 2_2 | 95.32 | 97.22 | |
| 톡시겐 | 39:30 | 38.42 |
사용 및 제한사항
이러한 모델에는 사용자가 알아야 하는 특정 제한사항이 있습니다.
사용 목적
개방형 대규모 언어 모델 (LLM)은 다양한 산업 및 분야를 아우르는 광범위한 애플리케이션을 포함합니다. 다음 목록은 포괄적이지 않습니다. 이 목록의 목적은 모델 제작자가 모델 학습 및 개발의 일부로 고려한 가능한 사용 사례에 대한 컨텍스트 정보를 제공하는 것입니다.
- 콘텐츠 제작 및 커뮤니케이션
- 텍스트 생성: 시, 스크립트, 코드, 마케팅 카피, 이메일 초안과 같은 창의적인 텍스트 형식을 생성하는 데 사용할 수 있습니다.
- 챗봇 및 대화형 AI: 고객 서비스, 가상 어시스턴트 또는 대화형 애플리케이션을 위한 대화형 인터페이스를 강화합니다.
- 텍스트 요약: 텍스트 코퍼스, 연구 논문 또는 보고서의 간결한 요약을 생성합니다.
- 연구 및 교육
- 자연어 처리 (NLP) 연구: 이 모델은 연구원이 NLP 기술을 실험하고 알고리즘을 개발하며 분야 발전에 기여하는 기반이 될 수 있습니다.
- 언어 학습 도구: 문법 교정 또는 쓰기 연습을 지원하여 대화형 언어 학습 환경을 지원합니다.
- 지식 탐색: 연구원이 요약을 생성하거나 특정 주제에 관한 질문에 답하여 대량의 텍스트를 탐색할 수 있도록 지원합니다.
제한사항
- 학습 데이터
- 학습 데이터의 품질과 다양성은 모델의 기능에 큰 영향을 미칩니다. 학습 데이터에 편향이나 차이가 있으면 모델 응답에 제한이 생길 수 있습니다.
- 학습 데이터 세트의 범위에 따라 모델이 효과적으로 처리할 수 있는 주제 영역이 결정됩니다.
- 컨텍스트 및 작업 복잡성
- LLM은 명확한 프롬프트와 지침으로 구성할 수 있는 작업에 더 적합합니다. 개방형 또는 매우 복잡한 작업은 어려울 수 있습니다.
- 모델 성능은 제공된 컨텍스트의 양에 따라 영향을 받을 수 있습니다. 컨텍스트가 길면 일반적으로 특정 지점까지 더 나은 출력이 제공됩니다.
- 언어의 모호성 및 뉘앙스
- 자연어는 본질적으로 복잡합니다. LLM은 미묘한 뉘앙스, 풍자, 비유적 언어를 파악하는 데 어려움을 겪을 수 있습니다
- 사실의 정확성
- LLM은 학습 데이터 세트에서 학습한 정보를 기반으로 응답을 생성하지만 기술 자료는 아닙니다. 부정확하거나 오래된 사실에 기반한 진술을 생성할 수도 있습니다.
- 상식
- LLM은 언어의 통계적 패턴에 의존합니다. 특정 상황에서 상식적인 추론을 적용하는 능력이 부족할 수 있습니다.
윤리적 고려사항 및 위험
대규모 언어 모델 (LLM)의 개발로 인해 몇 가지 윤리적 우려가 제기되고 있습니다. 개방형 모델을 만들 때 Google은 다음 사항을 신중하게 고려했습니다.
- 편향 및 공정성
- 대규모의 실제 텍스트 데이터로 학습된 LLM은 학습 자료에 내재된 사회문화적 편견을 반영할 수 있습니다. 이러한 모델은 신중한 검토, 입력 데이터 사전 처리 설명, 사후 평가가 이 카드에 보고되었습니다.
- 잘못된 정보 및 오용
- LLM은 거짓이거나 오해의 소지가 있거나 유해한 텍스트를 생성하는 데 오용될 수 있습니다.
- 모델을 책임감 있게 사용하기 위한 가이드라인이 제공됩니다. 책임감 있는 생성형 AI 도구를 참조하세요.
- 투명성 및 책임:
- 이 모델 카드에는 모델의 아키텍처, 기능, 제한사항, 평가 프로세스에 대한 세부정보가 요약되어 있습니다.
- 책임감 있게 개발된 개방형 모델은 AI 생태계 전반의 개발자와 연구자가 LLM 기술에 액세스할 수 있도록 하여 혁신을 공유할 기회를 제공합니다.
식별된 위험 및 완화:
- 편향의 지속: 모델 학습, 미세 조정, 기타 사용 사례에서 지속적인 모니터링(평가 측정항목, 사람의 검토 사용) 및 편향 제거 기법을 탐색하는 것이 좋습니다.
- 유해한 콘텐츠 생성: 콘텐츠 안전을 위한 메커니즘과 가이드라인이 필수적입니다. 개발자는 특정 제품 정책 및 애플리케이션 사용 사례에 따라 주의를 기울이고 적절한 콘텐츠 안전 보호 장치를 구현하는 것이 좋습니다.
- 악의적인 목적의 오용: 기술적 제한과 개발자 및 최종 사용자 교육을 통해 LLM의 악성 애플리케이션을 완화할 수 있습니다. 사용자가 오용을 신고할 수 있는 교육 리소스와 신고 메커니즘이 제공됩니다. Gemma 모델의 금지된 사용은 Gemma 금지된 사용 정책에 설명되어 있습니다.
- 개인 정보 보호 위반: PII(개인 식별 정보) 삭제를 위해 필터링된 데이터를 대상으로 모델을 학습시켰습니다. 개발자는 개인 정보 보호 기술을 통해 개인 정보 보호 규정을 준수하는 것이 좋습니다.
이점
출시 시점을 기준으로 이 모델 제품군은 책임감 있는 AI 개발을 위해 처음부터 설계된 고성능 개방형 대규모 언어 모델 구현을 유사한 크기의 모델에 비해 제공합니다.
이 문서에 설명된 벤치마크 평가 측정항목을 사용하여 이러한 모델은 비슷한 크기의 다른 개방형 모델 대안에 비해 우수한 성능을 제공하는 것으로 나타났습니다.