[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -2,88 +2,144 @@
|
||||
id: wiki-2026-0508-sequence-to-sequence-models
|
||||
title: Sequence to Sequence Models
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [DL-SEQ2SEQ-001]
|
||||
aliases: [seq2seq, Encoder-Decoder, Sequence Modeling, Sequence-to-Sequence]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 1.0
|
||||
tags: [ai, Deep-Learning, nlp, seq2seq, encoder-decoder, machine-translation, neural-networks]
|
||||
confidence_score: 0.9
|
||||
verification_status: applied
|
||||
tags: [architecture, nlp, transformer, encoder-decoder]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-26
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
language: python
|
||||
framework: PyTorch / Transformers
|
||||
---
|
||||
|
||||
# Sequence-to-Sequence Models (Seq2Seq 모델)
|
||||
# Sequence to Sequence Models
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "입력 시퀀스의 모든 정보를 하나의 고정된 '생각의 압축(Context Vector)'에 담고, 이를 해체하여 전혀 다른 새로운 시퀀스로 재구성하라" — 입력과 출력의 길이가 다른 시퀀스 변환 문제를 해결하기 위해 고안된 인코더-디코더 구조의 신경망 모델.
|
||||
## 매 한 줄
|
||||
> **"매 input sequence → output sequence — 매 길이 다른 변환"**. 매 Sutskever (2014) RNN encoder-decoder → Bahdanau (2015) attention → Vaswani (2017) Transformer 의 진화. 매 2026: 거의 모든 generative LLM (GPT, Claude, Gemini) 이 매 decoder-only seq2seq, 매 T5/BART 같은 encoder-decoder 는 specific task (번역, summarization fine-tune) 에 잔존.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "Information Compression and Generative Decoding" — 입력 데이터를 순차적으로 읽어 전체 문맥을 고정된 크기의 벡터로 요약하고, 이를 시작점으로 하여 정답 시퀀스를 한 단어씩 생성해 나가는 패턴.
|
||||
- **핵심 구성:**
|
||||
- **Encoder:** 입력 시퀀스(예: 한국어)를 처리하여 은닉 상태(Hidden [[State|State]])로 정보를 응축.
|
||||
- **Decoder:** 응축된 정보로부터 대상 시퀀스(예: 영어)를 차례대로 생성.
|
||||
- **Context Vector:** 인코더와 디코더를 잇는 지식의 병목이자 연결고리.
|
||||
- **의의:** 구글 번역기 등에 도입되며 기계 번역의 정확도를 비약적으로 향상시켰으며, 요약, 챗봇, 음성 인식 등 다양한 시퀀스 변환 작업의 표준 아키텍처로 자리 잡음.
|
||||
## 매 핵심
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌:** 긴 문장일수록 정보를 하나의 벡터에 다 담지 못해 성능이 급격히 떨어지는 '정보 손실' 문제에 직면했으나, 이를 해결하기 위해 필요한 부분만 골라 보는 '어텐션(Attention)' 기법이 추가되면서 현대 트랜스포머 모델의 시조가 됨.
|
||||
- **정책 변화:** Antigravity 프로젝트는 서로 다른 데이터 형식 간의 자동 변환이나 프로토콜 번역 작업 시, 구조적 안정성이 검증된 인코더-디코더 기반의 Seq2Seq 아키텍처를 활용함.
|
||||
### 매 Architecture family
|
||||
- **RNN encoder-decoder** (2014): 매 historical, vanishing gradient, no attention.
|
||||
- **Attention seq2seq** (2015): 매 alignment 학습 — 번역 quality 점프.
|
||||
- **Transformer encoder-decoder** (2017): 매 self-attention, parallelizable. T5, BART, mT5.
|
||||
- **Decoder-only** (2018+): GPT family. 매 LLM 의 dominant pattern.
|
||||
- **Encoder-only** (BERT): classification/embedding, generation 아님.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Natural-Language-Processing|Natural-Language-[[Processing]]-NLP]], [[Recurrent-Neural-Networks|Recurrent-Neural-Networks]]-RNN, [[Self-Attention-Mechanisms|Self-Attention-Mechanisms]], LLM-Training-Foundations
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Sequence-to-Sequence-Models.md
|
||||
### 매 핵심 컴포넌트
|
||||
- Tokenizer (BPE, SentencePiece, tiktoken).
|
||||
- Embedding + positional encoding (RoPE, ALiBi 2026 표준).
|
||||
- Self-attention / cross-attention.
|
||||
- Teacher forcing for training, autoregressive decoding for inference.
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
### 매 Decoding 전략
|
||||
- Greedy / Beam search — 매 deterministic task.
|
||||
- Sampling (temperature, top-p, top-k, min-p) — 매 creative.
|
||||
- Speculative / Medusa — 매 inference 가속.
|
||||
- Constrained / structured (JSON schema) — 매 tool use.
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
### 매 응용
|
||||
1. Machine translation (NLLB, M2M-100).
|
||||
2. Summarization (BART, Pegasus).
|
||||
3. Code generation (Claude Code, Copilot).
|
||||
4. Speech (Whisper encoder + decoder).
|
||||
5. Image captioning, VQA (multimodal seq2seq).
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
## 💻 패턴
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
|
||||
## 💻 코드 패턴 (Code Patterns)
|
||||
|
||||
**패턴 1:** *(TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)*
|
||||
|
||||
```text
|
||||
# TODO
|
||||
### Tiny Transformer encoder-decoder
|
||||
```python
|
||||
import torch.nn as nn
|
||||
class Seq2Seq(nn.Module):
|
||||
def __init__(self, vocab, d=256, nhead=4, nl=4):
|
||||
super().__init__()
|
||||
self.emb_s = nn.Embedding(vocab, d)
|
||||
self.emb_t = nn.Embedding(vocab, d)
|
||||
self.tx = nn.Transformer(d, nhead, nl, nl, batch_first=True)
|
||||
self.out = nn.Linear(d, vocab)
|
||||
def forward(self, src, tgt):
|
||||
return self.out(self.tx(self.emb_s(src), self.emb_t(tgt)))
|
||||
```
|
||||
|
||||
## 🤔 의사결정 기준 (Decision Criteria)
|
||||
### HF Transformers (T5)
|
||||
```python
|
||||
from transformers import T5ForConditionalGeneration, T5Tokenizer
|
||||
tok = T5Tokenizer.from_pretrained("t5-base")
|
||||
m = T5ForConditionalGeneration.from_pretrained("t5-base")
|
||||
inp = tok("translate English to German: Hello world", return_tensors="pt").input_ids
|
||||
print(tok.decode(m.generate(inp)[0], skip_special_tokens=True))
|
||||
```
|
||||
|
||||
**선택 A를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
### Decoder-only generation (Claude API)
|
||||
```python
|
||||
import anthropic
|
||||
c = anthropic.Anthropic()
|
||||
msg = c.messages.create(
|
||||
model="claude-opus-4-7",
|
||||
max_tokens=1024,
|
||||
messages=[{"role": "user", "content": "Summarize: ..."}],
|
||||
)
|
||||
print(msg.content[0].text)
|
||||
```
|
||||
|
||||
**선택 B를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
### Beam search decode
|
||||
```python
|
||||
out = model.generate(input_ids, num_beams=4, length_penalty=0.6,
|
||||
no_repeat_ngram_size=3, max_new_tokens=128)
|
||||
```
|
||||
|
||||
**기본값:**
|
||||
> *(TODO)*
|
||||
### Streaming
|
||||
```python
|
||||
with c.messages.stream(model="claude-opus-4-7", max_tokens=512,
|
||||
messages=msgs) as s:
|
||||
for text in s.text_stream:
|
||||
print(text, end="", flush=True)
|
||||
```
|
||||
|
||||
## ❌ 안티패턴 (Anti-Patterns)
|
||||
### KV cache reuse
|
||||
```python
|
||||
out = model(**inputs, use_cache=True, past_key_values=pkv)
|
||||
pkv = out.past_key_values # 매 next step 에 재사용
|
||||
```
|
||||
|
||||
- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)*
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| General LLM task | decoder-only (Claude, GPT) |
|
||||
| Specific translation/summarization fine-tune | T5/BART encoder-decoder |
|
||||
| Embedding / classification | encoder-only (BERT family) |
|
||||
| Speech-to-text | Whisper-style enc-dec |
|
||||
| Long sequences, low cost | Mamba / Hybrid seq2seq |
|
||||
|
||||
**기본값**: decoder-only LLM via API.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Deep-Learning]] · [[NLP]]
|
||||
- 변형: [[Transformer]] · [[Selective State Space Models (Mamba)]] · [[Encoder-Decoder]]
|
||||
- 응용: [[Machine-Translation]] · [[Summarization]] · [[Code-Generation]]
|
||||
- Adjacent: [[Attention-Mechanism]] · [[Tokenization]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: input → output 변환 task 정의 가능. 매 API call 로 충분.
|
||||
**언제 X**: pure classification — encoder + head 가 매 더 cheap.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Greedy for creative**: repetition. 매 sampling 사용.
|
||||
- **No cache**: O(L²) inference. 매 KV cache 필수.
|
||||
- **Train from scratch**: 매 거의 항상 잘못된 선택. Fine-tune 또는 prompt.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Sutskever 2014, Vaswani 2017, HF Transformers docs).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — full seq2seq family 2026 |
|
||||
|
||||
Reference in New Issue
Block a user