DoNews9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(xiàn)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(guān)內(nèi)容已經(jīng)發(fā)布在 ArXiv 上。
據(jù)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(xiàn)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(zhì)上就一種編碼的過程，目標是要以更少的內(nèi)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(jīng)理解了相應(yīng)文件中的特征和模式（即一個模型如果能實現(xiàn)精確預測，也就能夠捕捉文件的本質(zhì)特征和結(jié)構(gòu)，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(chǔ)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(xiàn)，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(chǎn)生負面影響，因為模型的參數(shù)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(shù)，雖然能夠有效壓縮資料，但是龐大的參數(shù)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。
