大模型一定就比小模型好？谷歌的这项研究说不一定

AIGC动态欢迎阅读

原标题：大模型一定就比小模型好？谷歌的这项研究说不一定
关键字：模型,效率,性能,大小,规模
文章来源：机器之心
内容字数：9139字

内容摘要：

机器之心报道
编辑：Panda在这个大模型不断创造新成就的时代，我们通常对机器学习模型有一个直观认知：越大越好。但事实果真如此吗？
近日，Google Research 一个团队基于隐扩散模型（LDM）进行了大量实验研究，得出了一个结论：更大并不总是更好（Bigger is not Always Better），尤其是在预算有限时。论文标题：Bigger is not Always Better: Scaling Properties of Latent Diffusion Models
论文地址：https://arxiv.org/pdf/2404.01367.pdf
近段时间，隐扩散模型和广义上的扩散模型取得的成就不可谓不耀眼。这些模型在处理了大规模高质量数据之后，可以非常出色地完成多种不同任务，包括图像合成与编辑、视频创建、音频生成和 3D 合成。
尽管这些模型可以解决多种多样的问题，但要想在真实世界应用中大规模使用它们，还需要克服一大障碍：采样效率低。
这一难题的本质在于，为了生成高质量输出，LDM 需要依赖多步采样，而我们知道：采样总成本 = 采样步骤数 × 每一步的成本。

原文链接：大模型一定就比小模型好？谷歌的这项研究说不一定

联系作者

文章来源：机器之心
作者微信：almosthuman2014
作者简介：专业的人工智能媒体和产业服务平台