大規模言語モデルのさらなる大規模化がスケーリング則に基づき進められています。モデルのスケール化に関してパラメータ、データセットのスケール化が行われ、それと同時に計算量を大規模化していきます。

　しかし、コンピュータの性能にも制限があるため、制限がある中で計算量を増やしていくことが求められます。そのため、メモリ量を確保して効率よく学習を行うことが求められます。

　効率化の手法として主にあるのが並列化と量子化です。

　並列化はデータの並列化とモデルの並列化に分けることができます。データの並列化は様々なアーキテクチャのモデルに利用可能です。しかしより大規模なモデルとなると並列が難しくなるという特徴があります。一方モデルの並列化は大規模なモデルに対応できます。しかし、並列化のためにモデルの書き換えが必要であり、アーキテクチャに制限があります。

　量子化とはモデルのデータの型を浮動小数点型(fFloat型)から整数型(Int型)に変えるなどしてメモリの消費を抑える手法です。変数のビット数を減らすことで使用するメモリを大幅に削減することができます。しかし、数値の精度を下げているため単純に行うとモデルの性能が下がる可能性があるため、工夫する必要があります。

　また他の手法として蒸留やプルーニングといった手法もあります。