Temperature, top-k e top-p: a decisão que muda mais o texto do que trocar de modelo
O modelo devolve uma distribuição. Transformar isso em palavras é escolha sua.
Caiu aqui pelo LinkedIn? Este é o capítulo 07 do curso GPT-1 e GPT-2, desmontados. Dá para ler solto; se quiser o começo, é o capítulo 00.
O modelo não escolhe a próxima palavra. Quem escolhe é você. Existe um mal-entendido muito difundido. O modelo devolve uma nota para cada um dos 50 257 tokens do vocabulário e para por aí. Escolher é trabalho de um algoritmo separado, que roda depois e que você controla. Temperature, top-k, top-p: três botões que mudam o resultado mais do que trocar de modelo. E medindo no GPT-2 small, 'The capital of France is' tem 1 503 tokens no núcleo de dúvida, com o favorito valendo só 8,5%.
Os três pontos
- Greedy sempre pega o mais provável e cai em repetição. Amostragem pura pega qualquer coisa e cai em absurdo. Tudo o mais é o meio-termo.
- Temperature é o botão da ousadia: achata ou afia a distribuição antes de sortear. Top-k corta fixo; top-p corta onde a massa de probabilidade manda.
- Beam search existe e quase não se usa em geração aberta. O post explica por quê.
O que a apostila cobre · 9 seções · 9 min
- O que o modelo realmente devolve
- Greedy: sempre o mais provável
- Amostragem pura, e por que ela também falha
- Temperature: o botão da ousadia
- Top-k: corte fixo
- Top-p (nucleus sampling): corte adaptativo
- Penalidade de repetição, e as receitas prontas
- Beam search — e por que não se usa aqui
- No laboratório
Todos os capítulos do curso · GPT-1 e GPT-2, desmontados
- 00 · Os sete fósseis: por que GPT-1, GPT-2 e RoBERTa são um corte histórico, não uma lista
- Glossário · Glossário do curso: o que token, camada e modelo querem dizer em IA, e no resto da TI
- 01 · Por que o GPT-2 não enxerga letras nem palavras, e o que isso custa em português
- 02 · Embeddings: de um inteiro sem sentido a um vetor que sabe que rei e rainha são parentes
- 03 · Atenção: a única operação que substituiu vinte anos de redes recorrentes
- 04 · Doze cabeças em vez de uma, e a única linha de código que separa o GPT do RoBERTa
- 05 · Por que o GPT-2 precisa de 48 andares para responder, e o que acontece dentro de cada um
- 06 · O que a escala realmente compra: de 124 milhões a 1,5 bilhão, medido
- 07 · Temperature, top-k e top-p: a decisão que muda mais o texto do que trocar de modelo
- 08 · Perplexidade: o único número que diz o que o modelo aprendeu, sem anedotas
- 09 · GPT-1 para GPT-2: mesmo tamanho, metade da perplexidade. Quatro decisões explicam
- 10 · RoBERTa: quando o avanço é treinar melhor o que já existia
- 11 · Encoder vs decoder: uma linha de código e todas as consequências que descem dela
- 12 · O detector: como um modelo de linguagem vira classificador, e por que esse não deve decidir nada
- 13 · Lendo o código original do GPT-2: 174 linhas contra tudo o que você aprendeu
- 14 · Servindo modelos: da chamada de função ao servidor HTTP, e o que a produção faz a mais
- 15 · O guia do laboratório: cada comando, cada script, e tudo o que foi medido
- 16 · O teto deste caminho: o argumento de LeCun, lido de dentro do GPT-2
Escreve o curso do GPT-2 e conduz o experimento Antevisão, medindo cada rodada antes de publicar o número. Os posts no LinkedIn começam aqui e terminam nas apostilas.
Seguir no LinkedIn →