9月28日消息，DeepMind 研究人員日前評估大型語言模型(LLM)的壓縮能力時，發現這些模型的“壓縮能力”相當驚人，除了常規文字資料外，還可以壓縮圖片和音頻，相關內容已經發布在 ArXiv 上。

　　據悉，DeepMind 在研究中，使用了一個名為“Chinchilla 70B”的模型，雖然這個模型主要使用文字訓練，但是研究人員發現該模型也可用于壓縮 ImageNet 圖片(PNG)，可將文件壓縮至原始大小的 43.3%，甚至可將 LibriSpeech 語音樣本(FLAC)壓縮至原始的 16.4%。

　　DeepMind 的研究證明，模型的“預測”能力和“壓縮”能力之間存在“等價性”，因此研究人員可以使用任何壓縮算法，建立一個更加強大的條件生成模型。

　　IT之家注：“壓縮”本質上就一種編碼的過程，目標是要以更少的內容表示更多的資料，因此當模型達到一定的預測能力時，其實也就代表模型學會了一種編碼的方式，這種編碼方式能夠用來壓縮文件，因為模型已經理解了相應文件中的特征和模式(即一個模型如果能實現精確預測，也就能夠捕捉文件的本質特征和結構，從而有效地壓縮資料文件)。

　　DeepMind 認為，在當前語言模型成果豐富的當下，任何人都可以取得語言模型并將其用于壓縮中，而不需負擔額外的訓練成本。

　　同時，研究也顯示，即使是“主要使用文字進行訓練的基礎模型”，由于其上下文學習能力，因此也能夠很好地成為“通用壓縮器”。

　　研究還發現，若要將模型用于壓縮上，模型并非越大越好，過大的模型可能反而對壓縮能力產生負面影響，因為模型的參數本身也需要在輸出中被考慮進去，當有一個模型具有非常多的參數，雖然能夠有效壓縮資料，但是龐大的參數本身也會成為負擔，且自然語言處理常用到的分詞(Tokenization)方法(把一串文字切割成更小、更容易處理的步驟)，在壓縮層面上不會提高壓縮效率，反而會增加模型的體積。