重庆政府门户网站52种新颖的促销方式

千问的config：

seq_len=2k
max_position_embedding=8k

注意，以下实验结果的字数是token数，不是中文字符数。

不使用动态ntk

• 12000字输入： 乱码
• 5000字输入：乱码
• 1500字输入：正常

不使用动态ntk，使用线性位置插值 缩放4倍

• 12000字输入： 乱码
• 5000字输入：正常，但废话多，质量低。
• 1500字输入：正常，但答案错误

不使用动态ntk，使用线性位置插值 缩放2倍

• 12000字输入： 乱码
• 5000字输入：乱码
• 1500字输入：正常，但答案数字正确但小数点错误，文本质量低

使用动态ntk

• 12000字输入，答案信息在中间位置： 正常，答案正确
• 12000字输入，答案信息在靠前位置： 正常，答案错误，但有相关信息

使用动态ntk，同时 使用线性位置插值 缩放2倍

• 12000字输入，答案信息在中间位置： 正常，答案错误
• 12000字输入，答案信息在靠前位置： 正常，答案错误，后面开始出现乱码

结论：

• 如果不使用动态ntk，qwen只能适应2k以下文本，否则就输出乱码。
• 如果使用动态ntk，qwen可以适应上万字文本，且无需微调。
• 8k是注意力窗口的长度，文本超过8k将会导致丢失8k距离外的信息。
• 线性插值可以使模型在2k以上文本时，不出现乱码，但是如果不进行微调，回答质量很低。