RecurrentGemma 모델 카드

모델 페이지: RecurrentGemma

리소스 및 기술 문서:

이용약관: 약관

저자: Google

모델 정보

모델 요약

설명

RecurrentGemma는 Google에서 개발한 새로운 반복 아키텍처를 기반으로 하는 개방형 언어 모델 제품군입니다. 사전 학습된 버전과 안내 조정된 버전 모두 영어로 제공됩니다.

Gemma와 마찬가지로 RecurrentGemma 모델은 질문 답변, 요약, 추론을 비롯한 다양한 텍스트 생성 작업에 적합합니다. RecurrentGemma는 새로운 아키텍처로 인해 Gemma보다 메모리가 적게 필요하며 긴 시퀀스를 생성할 때 더 빠른 추론을 실행합니다.

입력 및 출력

  • 입력: 텍스트 문자열 (예: 질문, 프롬프트 또는 요약할 문서)입니다.
  • 출력: 입력에 대한 응답으로 생성된 영어 텍스트 (예: 질문에 대한 답변, 문서의 요약)입니다.

인용

@article{recurrentgemma_2024,
    title={RecurrentGemma},
    url={},
    DOI={},
    publisher={Kaggle},
    author={Griffin Team, Alexsandar Botev and Soham De and Samuel L Smith and Anushan Fernando and George-Christian Muraru and Ruba Haroun and Leonard Berrada et al.},
    year={2024}
}

모델 데이터

학습 데이터 세트 및 데이터 처리

RecurrentGemma는 Gemma 모델 제품군에서 사용하는 것과 동일한 학습 데이터와 데이터 처리를 사용합니다. 자세한 설명은 Gemma 모델 카드에서 확인할 수 있습니다.

구현 정보

학습 중에 사용된 하드웨어 및 프레임워크

Gemma와 마찬가지로 RecurrentGemma는 JAX 및 ML Pathways를 사용하여 TPUv5e에서 학습되었습니다.

평가 정보

벤치마크 결과

평가 접근 방식

이러한 모델은 텍스트 생성의 다양한 측면을 다루기 위해 다양한 데이터 세트와 측정항목의 대규모 모음을 대상으로 평가되었습니다.

평가 결과

벤치마크 측정항목 RecurrentGemma 2B RecurrentGemma 9B
MMLU 5-shot, top-1 38.4 60.5
HellaSwag 제로샷 71.0 80.4
PIQA 제로샷 78.5 81.3
SocialIQA 제로샷 51.8 52.3
BoolQ 제로샷 71.3 80.3
WinoGrande 부분 점수 67.8 73.6
CommonsenseQA 7샷 63.7 73.2
OpenBookQA 47.2 51.8
ARC-e 72.9 78.8
ARC-c 42.3 52.0
TriviaQA 5샷 52.5 70.5
자연스러운 질문 5샷 11.5 21.7
HumanEval pass@1 21.3 31.1
MBPP 3샷 28.8 42.0
GSM8K maj@1 13.4명 42.6
MATH 4샷 11.0 23.8
AGIEval 23.8 39.3
BIG-Bench 35.3 55.2
평균 44.6 56.1

윤리 및 안전

윤리 및 안전 평가

평가 접근 방식

YouTube의 평가 방법에는 구조화된 평가와 관련 콘텐츠 정책에 대한 내부 레드 팀 테스트가 포함됩니다. 레드팀은 각각 서로 다른 목표와 인간 평가 측정항목을 가진 여러 팀에서 수행했습니다. 이러한 모델은 윤리 및 안전과 관련된 다양한 카테고리(예:

  • 텍스트 대 텍스트 콘텐츠 안전: 아동 성적 학대 및 착취, 괴롭힘, 폭력 및 고어, 증오심 표현을 비롯한 안전 정책을 다루는 프롬프트에 대한 사람의 평가
  • 텍스트 대 텍스트 표현적 해악: WinoBias 및 BBQ Dataset과 같은 관련 학술 데이터 세트를 기준으로 벤치마킹합니다.
  • 암기: 개인 식별 정보 노출 위험을 포함하여 학습 데이터 암기의 자동화된 평가입니다.
  • 대규모 피해: 화학, 생물학, 방사능, 핵 (CBRN) 위험과 같은 '위험한 기능' 테스트, 설득 및 기만, 사이버 보안, 자동 복제 테스트

평가 결과

윤리 및 안전 평가 결과가 아동 안전, 콘텐츠 안전, 표현적 해악, 암기, 대규모 해악과 같은 카테고리의 내부 정책을 충족하기에 허용 가능한 기준점 내에 있습니다. 강력한 내부 평가 외에도 BBQ, Winogender, WinoBias, RealToxicity, TruthfulQA와 같은 잘 알려진 안전 벤치마크의 결과가 여기에 표시됩니다.

벤치마크 측정항목 RecurrentGemma 2B RecurrentGemma 2B IT RecurrentGemma 9B RecurrentGemma 9B IT
RealToxicity avg 9.8 7.60 10.3 8.8
BOLD 39.3 52.3 39.8 47.9
CrowS-Pairs top-1 41.1 43.4 38.7 39.5
BBQ Ambig top-1 62.6 71.1 95.9 67.1
BBQ Disambig top-1 58.4 50.8 78.6 78.9
Winogender top-1 55.1 54.7 59.0 64.0
TruthfulQA 35.1 42.7 38.6 47.7
WinoBias 1_2 58.4 56.4 61.5 60.6
WinoBias 2_2 90.0 75.4 90.2 90.3
Toxigen 56.7 50.0 58.8 64.5

모델 사용 및 제한사항

알려진 제한사항

이러한 모델에는 사용자가 알고 있어야 하는 몇 가지 제한사항이 있습니다.

  • 학습 데이터
    • 학습 데이터의 품질과 다양성은 모델의 기능에 큰 영향을 미칩니다. 학습 데이터에 편향이나 격차가 있으면 모델의 대답에 제한이 있을 수 있습니다.
    • 학습 데이터 세트의 범위는 모델이 효과적으로 처리할 수 있는 주제 영역을 결정합니다.
  • 맥락 및 작업 복잡성
    • LLM은 명확한 프롬프트와 안내로 구성할 수 있는 작업에 더 적합합니다. 개방형 또는 매우 복잡한 작업은 어려울 수 있습니다.
    • 모델의 성능은 제공된 컨텍스트의 양에 영향을 받을 수 있습니다 (일반적으로 컨텍스트가 길수록 특정 지점까지 더 나은 결과를 얻을 수 있음).
  • 언어의 모호성 및 뉘앙스
    • 자연어는 본질적으로 복잡합니다. LLM은 미묘한 뉘앙스, 빈정거림, 비유적인 표현을 파악하는 데 어려움을 겪을 수 있습니다.
  • 사실 정확성
    • LLM은 학습 데이터 세트에서 학습한 정보를 기반으로 대답을 생성하지만 기술 자료는 아닙니다. 잘못되거나 오래된 사실 진술을 생성할 수 있습니다.
  • 상식
    • LLM은 언어의 통계적 패턴을 사용합니다. 특정 상황에서 상식적인 추론을 적용하는 능력이 부족할 수 있습니다.

윤리적 고려사항 및 위험

대규모 언어 모델 (LLM)의 개발은 몇 가지 윤리적 문제를 제기합니다. Google은 개방형 모델을 만들 때 다음 사항을 신중하게 고려했습니다.

  • 편향 및 공정성
    • 대규모 실제 텍스트 데이터를 기반으로 학습된 LLM은 학습 자료에 내재된 사회문화적 편향을 반영할 수 있습니다. 이러한 모델은 신중하게 검토되었으며, 입력 데이터 사전 처리가 설명되고 후속 평가가 이 카드에 보고되었습니다.
  • 잘못된 정보 및 오용
    • LLM은 잘못 사용하여 허위, 혼동을 야기하거나 유해한 텍스트를 생성할 수 있습니다.
    • 모델을 책임감 있게 사용하는 방법에 관한 가이드라인은 Responsible Generative AI Toolkit을 참고하세요.
  • 투명성 및 책임성
    • 이 모델 카드는 모델의 아키텍처, 기능, 제한사항, 평가 프로세스에 관한 세부정보를 요약합니다.
    • 책임감 있게 개발된 개방형 모델은 AI 생태계 전반의 개발자와 연구원이 LLM 기술에 액세스할 수 있도록 함으로써 혁신을 공유할 수 있는 기회를 제공합니다.

식별된 위험 및 완화 조치:

  • 편향 지속: 모델 학습, 미세 조정, 기타 사용 사례 중에 지속적인 모니터링(평가 측정항목, 사람 검토 사용)과 편향 제거 기법을 탐색하는 것이 좋습니다.
  • 유해 콘텐츠 생성: 콘텐츠 안전을 위한 메커니즘과 가이드라인이 필수적입니다. 개발자는 각 제품 정책 및 애플리케이션 사용 사례에 따라 주의해서 적절한 콘텐츠 안전 보호 장치를 구현하는 것이 좋습니다.
  • 악의적인 목적으로 오용: 기술적 제한사항과 개발자 및 최종 사용자 교육을 통해 LLM의 악의적인 적용을 완화할 수 있습니다. 사용자가 오용을 신고할 수 있는 교육 리소스와 신고 메커니즘이 제공됩니다. Gemma 모델의 금지된 사용은 Google 이용약관에 설명되어 있습니다.
  • 개인 정보 침해: PII (개인 식별 정보)를 삭제하기 위해 필터링된 데이터로 모델이 학습되었습니다. 개발자는 개인 정보 보호 기술을 사용하여 개인 정보 보호 규정을 준수하는 것이 좋습니다.

사용 목적

애플리케이션

개방형 대규모 언어 모델 (LLM)은 다양한 산업과 도메인에서 광범위하게 적용됩니다. 다음은 가능한 사용 사례 목록이며, 이 목록에 포함되지 않은 사용 사례도 있습니다. 이 목록의 목적은 모델 제작자가 모델 학습 및 개발의 일부로 고려한 가능한 사용 사례에 관한 컨텍스트 정보를 제공하는 것입니다.

  • 콘텐츠 제작 및 커뮤니케이션
    • 텍스트 생성: 시, 스크립트, 코드, 마케팅 문구, 이메일 초안과 같은 광고소재 텍스트 형식을 생성하는 데 사용할 수 있습니다.
    • 챗봇 및 대화형 AI: 고객 서비스, 가상 어시스턴트 또는 양방향 애플리케이션을 위한 대화형 인터페이스를 지원합니다.
    • 텍스트 요약: 텍스트 자료, 연구 논문 또는 보고서의 간결한 요약을 생성합니다.
  • 연구 및 교육
    • 자연어 처리 (NLP) 연구: 이러한 모델은 연구원이 NLP 기법을 실험하고, 알고리즘을 개발하고, 이 분야의 발전에 기여할 수 있는 기반이 될 수 있습니다.
    • 언어 학습 도구: 문법 수정이나 작문 연습을 지원하는 양방향 언어 학습 환경을 지원합니다.
    • 지식 탐색: 요약을 생성하거나 특정 주제에 관한 질문에 답변하여 연구원이 대규모 텍스트를 탐색하도록 지원합니다.

이점

출시 시 이 모델 제품군은 비슷한 크기의 모델에 비해 책임감 있는 AI 개발을 위해 처음부터 설계된 고성능 개방형 대규모 언어 모델 구현을 제공합니다.

이 문서에 설명된 벤치마크 평가 측정항목을 사용한 결과, 이러한 모델은 비슷한 크기의 다른 오픈 소스 모델 대안보다 우수한 성능을 제공하는 것으로 나타났습니다.

특히 RecurrentGemma 모델은 Gemma 모델과 비슷한 성능을 달성하지만 추론 속도가 더 빠르고 특히 긴 시퀀스에서 메모리가 더 적게 필요합니다.