June 2026
Intermediate
384 pages
4h 17m
Japanese
WebBotでは、StoryBotよりもさらに大きなモデルを扱います。本章では「挑戦編」として、大規模モデルに対応するためのアーキテクチャの改良と高速化テクニックを紹介します。
WebBotではStoryBotよりも大きなモデルを使いますが、どの程度のサイズが適切でしょうか。ここで役立つのがスケーリング則です。
LLMの損失(Loss)は、モデルのパラメータ数や学習データのトークン数
に対して、べき乗則(Power law)に従って減少することが知られています。つまり、
や
を増やすほど損失は下がりますが、その改善の度合いが予測可能なのです。この予測可能性こそがスケーリング則の本質です。これにより、小さなモデルでの実験結果から大きなモデルの性能や最適な設定を見積もることができます。 ...
Read now
Unlock full access