홈
AI AI
속보
심층
이벤트
Pro
더보기
자금 조달 정보
특집
온체인 생태계
용어
팟캐스트
데이터
OPRR
简体中文
繁體中文
English
Tiếng Việt
한국어
日本語
ภาษาไทย
Türkçe
BTC
$96,000
5.73%
ETH
$3,521.91
3.97%
HTX
$0.{5}2273
5.23%
SOL
$198.17
3.05%
BNB
$710
3.05%
XRP
$2.25
2.07%
DOGE
$0.325
2.23%
USDC
$0.999
3.05%
Partnered With:

대규모 모델 기반을 교체할 때 재미세 조정이 필요 없도록, Ramp Labs가 모델 간 호환 프레임워크 PorTAL을 출시했습니다.

동차 비팅(动察 Beating)의 모니터링에 따르면, 대규모 언어 모델이 빈번하게 업데이트되지만 기업이 미세 조정한 결과는 버전 간에 유지되기 어려운 경우가 많다. 현재 주류 미세 조정 기술(예: LoRA)은 특정 베이스 모델의 가중치 공간에 깊이 결합되어 있어, 성능이 더 뛰어난 새 베이스로 교체할 경우 개발자는 모든 미세 조정 작업을 처음부터 다시 학습해야 하므로 모델 업그레이드 비용이 높다.

핀테크 유니콘 기업 램프(Ramp) 산하 AI 연구소는 이러한 제한을 극복하기 위해 휴대용 작업 어댑터(PorTAL) 프레임워크를 출시했다. 이 프레임워크는 기존의 미세 조정 프로세스를 변경하여, 개발자가 초기 학습 시 베이스와 독립적인 '작업 잠재 표현'을 공동 학습 및 축적할 수 있도록 한다. 새 베이스로 교체할 때 개발자는 처음부터 학습할 필요 없이, 소량의 캘리브레이션 데이터에서 매우 얇은 모델 전용 변환기만 재조정하면 다양한 모델(심지어 Qwen-3에서 Gemma-3 같은 모델 패밀리 간) 간에 미세 조정 능력을 빠르게 이전할 수 있다.

PorTAL은 이전 시 작업 잠재 표현과 핵심 디코더를 고정 상태로 유지하므로, 데이터 양과 어댑터 연산 비용을 절반으로 줄일 수 있다. 공식 테스트에 따르면, 이 솔루션은 표준 LoRA의 정확도 향상 효과를 94%에서 98%까지 회복할 수 있으며, 다양한 데이터 규모에서 더 나은 일반화 성능을 보인다.

다만, 이 프레임워크는 아직 초기 단계에 있으며, 램프는 코드나 모델 가중치를 오픈소스로 공개하지 않았고, 제3자의 독립적인 평가도 부족한 상황이다. 현재 테스트 데이터는 주로 8B 파라미터 이하의 소형 모델에 집중되어 있으며, 더 큰 규모의 파라미터나 복잡한 명령어 작업에서의 이전 성능은 추가 검증이 필요하다.

举报 오류 신고/제보
관련추천
스트라이프가 75억 달러에 오픈라우터를 인수한 것은, 그것이 AI 트래픽 통로에서 에이전트 경제의 통제점으로 변모할 수 있다는 데 베팅한 것이다
하지만 알아둬야 할 점은, OpenAI가 지난 1년 동안 계속해서 강조해 온 것은 '지능이 점점 더 저렴해질 것이다'라는 점이야.
오류 신고/제보
제출
새 문고 추가
자신만 보기
공개
저장
문고 선택
새 문고 추가
취소
완료