Hva om jeg fortalte deg hvordan du kan overgå DiLoCo mens du bare kommuniserer 1-3 % av pseudogradienten?
Amir Sarfi
Amir Sarfi22. aug., 10:13
Vi introduserer SparseLoCo: en kommunikasjonseffektiv metode for LLM-fortrening. TL; DR: Vi utnytter Top-k-sparsifisering + feiltilbakemelding med DiLoCos sjeldne ytre trinn – som bare kommuniserer 1–3 % gradienter med 2-bits kvantisering – og overgår DiLoCo og DeMo. 1/N, ArXiv: Github:
1,5K