自然语言大模型介绍

1 简介

最近一直被大语言模型刷屏。本文是周末技术分享会的提纲，总结了一些自然语言模型相关的重要技术，以及各个主流公司的研究方向和进展，和大家共同学习。

2 Transformer

目前的大模型基本都是Transformer及其变种。本部分将介绍Transformer基础模型及其主要变种。

2.1 Transformer模型

Transformer是一种基于自注意力机制的模型，由Encoder和Decoder两部分组成。
下图是精典论文《Attention is all you need》中展示的模型结构图，左边是Encoder，右边是Decoder，

在这里插入图片描述

在Transformer中，Encoder将输入序列映射到一个高维空间中，Decoder则将这个高维空间中的向量映射回输出序列。
在Encoder中，所有的词一起输入一起计算；在Decoder中像RNN一样一个一个词输入，将已经出现的词计算得到的Q与Encoder计算得到的K,V进行计算，经过了全部Decoder层再经过FC+Softmax得到结果之后再把结果当做Decoder的输入再走一遍整个流程直到得到END标签。
Transformer既有Encoder又有Decoder，主要因为一开始处理的是翻译任务，需要先理解整句的意思，再逐字生成翻译结果。

Encoder和Decoder的主要区别包括：

Decoder多包含了一个处理层（编码器-解码器注意力），其接入的是Encoder的输出。
Decoder下面的是 Masked Attention，它屏蔽了下文，只考虑上文对下文的影响。
简单讲：主要差别就是单向/双向注意力的差别。
论文地址：Attention is All you Need

2.2 自编码

常见模型：BERT类模型
结构：只有Encoder
方法：双向上下文，Mask语言模型
场景：编码器产生适合自然语言理解任务的上下文表示，常用于解决阅读理解，完型填空等问题。
缺点：不能支持不确定长度文本的生成，而且依赖前后上下文，这样就非常限制下游任务的类型；一般只能在fine-tune后才能在下游任务中使用，这也将涉及大量人工操作和模型调参，模型也不能做得太大。
论文地址：BERT: Pre-training of Deep Bidirectional Transformers for
Language Understanding

2.3 自回归

常见模型：GPT-3等模型
结构：只有Decoder
方法：单向上下文本：从左->右，“一个接一个”生成文本。将解码器自己当前步的输出加入下一步的输入，因此可以生成后续不定长的序列。
场景：适用于生成长数据，实现大模型，few-shot任务效果好
缺点：单向注意力，使之无法完全捕获 NLU 任务中上下文词之间的依赖关系。可以将其它任务转换成自回归任务，比如：“XXXX电影很好看，这是对/错的”，完型填空题"xxx_yyy，横线上应该填zzz"。这基本就是提示的原理，它让Decoder类模型可以在不fine-tune的情况适应各种类型的下游任务，同时也拥有了BERT的一些优势——虽然不是双向的，但应学习的知识都在前文里。
论文地址：Language Models are Few-Shot Learners

2.4 结合Encoder和Decoder

常见模型：T5，GLM
结构：结合Encoder和Decoder
方法：在Encoder中使用双向上下文，Docoder使用单向，在E和D间使用交叉注意力。
场景：主要用于有条件的文本生成，比如生成摘要，回答问题
缺点：需要更多参数。

2.4.1 T5

在这里插入图片描述

第一种方式实现上面提到的翻译功能，只使用其Encoder部分，如BERT。
第二种方式是根据上文生成下文，如GPT
第三种方式在序列的前缀部分使用完全可见的掩码，如在上面提到的英语到德语的翻译示例中，完全可见的掩码将应用于前缀“translate English to German: That is good.target：”使用因果掩蔽来预测目标“Das ist gut”。（对条件使用双向，对结果使用单向）。

2.4.2 GLM

方法自回归的空白填充

在这里插入图片描述

3 模型变迁

BERT（Devlin et al.，2018）
GPT-2（Radford et al.，2019）
MegatronLM（Shoeybi et al.，2019）
T5（Raffel et al，2019）。
GPT-3（Brown et al.，2020 年）取得了重大突破

开始大模型
Jurassic-1（Lieber et al.，2021）
Megatron-Turing NLG 2022)
Gopher (Rae et al., 2021)
Chinchilla (Hoffmann et al., 2022)
PaLM (Chowdhery et al., 2022)
OPT (Zhang et al., 2022)
GLM (Zeng et al., 2022)

4 主流大模型

思想 & 结构 & 应用（道术技）
一般称参数大于100B的语言模型为大语言模型。
大模型主要用于解决few shot, zero shot问题。

4.1 Google

Google 的几篇文章从模型架构，算法优化，模型规模，应用场景，以及大语言模型指导机器人同步推理；对话场景中的其它应用（搜索、翻译、计算器）结合等方面进行了广泛探索，且基本都是开源的。

4.1.1 T5模型

发布时间：2019-06-11
解决问题：T5是Transfer Text-to-Text Transformer的简写，它是一种NLP Text-to-Text预训练模型。它的输入是文本，输出也是文本，模型使用迁移学习的技术，使用Transformer架构。其目标是给整个 NLP 预训练模型领域提供了一个通用框架，把所有任务都转化成一种形式。
方法：提出了Encoder加Decoder的新结构，结合了BERT和GPT结构的优势。将任务转换成合适的文本输入输出。
模型结构：Encoder+Decoder
模型和数据规模：包含 3B（Billion）和11B版本，处理后最终生成了750GB的数据集C4，并且在TensorFlow Datasets开放了数据。
亮点：模型结构，整体框架
论文地址：Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer

4.1.2 LaMDA

发布时间：2022-02-10
解决问题：调优对话机器人。提升模型的安全性和事实性，同时可利用外部知识来源，如：信息检索系统、语言翻译器和计算器——结合了自然语言模型与其它工具。
方法：利用众包方式，选择人类偏好的回答，利用标注数据finetune模型。
模型结构：Decoder结构。
数据和模型规模：1.56T 词进行预训练，137B 参数。
亮点：结合了自然语言模型和其它工具，功能有点像newbing
论文地址：LaMDA: Language Models for Dialog Applications

4.1.3 引导调优

发布时间：2022-02-08
解决问题：在通过指令描述的一组数据集上微调语言模型，它显著提高了未见任务的 zero-shot 性能。FLAN 的性能相对于LaMDA每个任务平均值提升了10左右。
方法：将此类模型称为FLAN（Finetuned Language Net），用 Tensorflow Datasets 上公开可用的 62 个文本数据集，划分为十二种任务，针对每种任务编写模板，用于调优模型。指令调优管道混合了所有数据集并从每个数据集中随机抽样。为了平衡不同大小的数据集，将每个数据集的训练示例数量限制为 30k，并遵循示例比例混合方案。
数据结构：同 LaMDA
数据和模型规模：预训练同LaMDA，精调使用62个数据集数据。
亮点：指令调优，见原理图
论文地址：Finetuned Language Models Are Zero-Shot Learners

4.1.4 GLaM

发布时间：2022-08-01
解决问题：针对节约计算资源的研究，推进了针对细分专家领域的发展。
方法：一种混合专家（MoE）模型，可以将其视为具有不同子模型（或专家）的模型，每个子模型都专门针对不同的输入。每层中的专家由门控网络控制，该网络根据输入数据激活专家。每次只激活8%的子网络。
模型结构：MoE，Decoder结构。
数据和模型规模：最大的 GLaM 有 1200B 参数，大约是 GPT-3 的 7 倍，却仅消耗用于训练 GPT-3 的 1/3 的能量，并且需要一半的计算触发器来进行推理；质量筛选数据对模型训练的影响。过滤后的网页包含 143B 个token，而未过滤的网页包含大约 7T 个token，实验说明有些任务需要高质量数据训练。
亮点：模型结构，见模型结构图
论文地址：GLaM：Efficient Scaling of Language Models with Mixture-of-Experts

4.1.5 PaLM

发布时间：2022-10-05
解决问题：作者认为当模型大到一定程度后，其性能也能飞跃，而PathWay技术是其大规模训练的基础。PaLM更关注逻辑推理相关的任务，这也为后面的PaLM-E机器人行为规划奠定了基础。
方法：推理链提示和大模型都明显提升了模型的推理能力。
模型结构：Decoder结构。
数据和模型规模：使用6144 个芯片训练，模型8B/62B/540B参数，780 B高质量token，密集激活。数据基于训练 LaMDA和GLaM的数据，除了自然语言，还包含多种编程语言的源代码。根据文件之间的 Levenshtein 距离删除重复项。
亮点：大模型&推理部分&模型解释（6.3 推理，9. 探索解释）
论文地址：PaLM: Scaling Language Modeling with Pathways

4.1.6 PaLM-E

发布时间：2023-03-06
解决问题：通过多模态接入了视频，传感器，将大模型学到的知识应用于机器人领域，进一步解决世界中的交互问题。PaLM-E直接产生动作的计划，从而让机器人自己规划过程。
方法：将图像和状态等输入嵌入到与语言标记相同的隐空间中，并由基于Transformer的LLM的自注意力层以与文本相同的方式进行处理，输出可以是问题的答案，或者文本形式生成的、由机器人执行的决策序列。
模型结构：Decoder解码器；提出神经网络结构，支持多模态token。模型包含三部分：观测数据编码器，映射器和自然语言模型。
数据和模型规模：训练的最大模型有 562B 参数，包含540B语言参数和22B视觉参数。
亮点：论文实验部分
论文地址：PaLM-E: An Embodied Multimodal Language Model

4.2 Meta（Facebook）

Meta 更偏重于模型的应用场景，在模型规模，减少标注开销，提升质量等方面进行了研究，尤其是其发布的 LLaMA 目前已经成为各个经济适用模型的基础模型，可能很快成为DIY的主流框架。本部分除了 Meta公司的研究，还介绍了两个 LLaMA 的衍生产品。

4.2.1 OPT-175B

发布时间：2022-05-03
解决问题：超大规模语言模型，该模型是当时第一个模型参数超过千亿级别的开放模型，该模型与GPT-3相比，更加开放及便于访问。
方法：训练 125M - 175B 各种大小的模型，经过一系列优化，只使用了GPT-3的1/7的训练资源。这是通过结合Meta的开源完全分片数据并行(FSDP) API和NVIDIA的张量并行抽象在Megetron-LM中实现的。
模型结构：Decoder结构。
数据和模型规模：175B参数
论文地址：OPT: Open Pre-trained Transformer Language Models

4.2.2 Self instruct

发布时间：2022-12-20
解决问题：对引导精调的优化，之前引导精调主要使用人工处理的数据，数据量和范围都有限，本文通过示范少量引导示例，让模型自己生成引导数据对模型进行优化。经过自引导可使基础模型的GPT-3提升33%，与InstructGPT001差不多的效果。
方法：自引导过程是一个迭代自举算法。在第一阶段，模型被提示为新任务生成指令。此步骤利用现有的指令集合来创建更广泛的指令定义任务；然后，在将低质量和重复的指令添加到任务池之前，使用各种措施对其进行修剪；针对许多交互重复此过程，直到生成大量任务。
模型结构：Decoder结构。
数据和模型规模：以GPT-3作为基础，产生大约 52k 条指令，与大约 82k 实例输入和目标输出配对。
亮点：需要更少的人工标注数据
论文地址：Self-Instruct: Aligning Language Model with Self Generated Instructions

4.2.3 LLaMA

发布时间：2023-02-27（论文发布时间）
解决问题：开源项目，以小取胜。使用更多token训练，更少的模型参数。其小模型可以运行在单GPU环境下，65B大模型可与PaLM模型效果竞争。
方法：大模型在Few Shot上表现好，主要归功于大模型的参数量。本文至力于找到合适的数据量和参数量，以实现快速推理。调整模型结构，提升训练和预测速度。
模型结构：Decoder结构。
数据和模型规模：模型从7B-65B参数，使用T级别token训练。在训练 65B 参数模型时，代码在具有 80GB RAM 的 2048 A100 GPU。对包含 1.4T 令牌的数据集进行训练大约需要 21 天。
论文地址：LLaMA: Open and Efficient Foundation Language Models

4.2.4 ColossalChat

发布时间：2023-02-15
解决问题：开源完整 RLHF 训练代码，已开源含7B、13B两种模型。体验最小 demo 训练流程最低仅需 1.62GB 显存，任意单张消费级 GPU 即可满足。
方法：以Meta最新开源的LLaMA为基础预训练模型。用于通过完整的RLHF管道克隆ChatGPT。该管道包括监督数据收集、监督微调、奖励模型训练和强化学习微调，基于LLaMA预训练模型。它只需要不到10B个参数，就可以通过RLHF微调在中英文双语能力方面达到与ChatGPT和GPT-3.5相似的效果。
模型结构：同 LLaMA
数据和模型规模：英双语数据集，训练的英文一共 24M tokens，中文大约 30M tokens，总共约 54M tokens。4bit量化推理70亿参数模型仅需4GB显存。
详见：源码地址 24.3K star

4.2.5 Dolly

发布时间：2023-03-24（韩国公司）
解决问题：Dolly是一个低成本的LLM，它采用LLaMA为基础，是具有60亿参数的开源模型。通过指令精调，使其具有了类似于ChatGPT的交互性。可以自己下载训练，开发成本仅需30美元，且开源。
方法：对模型进行细微的修改，以激发服从指令的能力。斯坦福大学基于LLaMA构建了Alpaca，但不同之处在于，它利用一个包含50,000个问题和答案的小数据集进行了微调。即便对一个开源大型语言模型 GPT-J，也能通过30分钟的训练，赋予它神奇的类似ChatGPT的指令跟随能力。
模型结构：同 LLaMA
数据和模型规模：使用包含50,000个问题和答案的小数据集进行了微调。
详见：Dolly 低成本生成式 AI

4.3 OpenAI

OpenAI 的 GPT-4 无疑是目前最好的大语言模型，从GPT到GPT-4一路走来，ChatGPT爆发，可能是我们这个时代最重要的事件之一。可能是为了保持领先，OpenAI 逐渐转换策略，不再公开具体技术，常被讽 CloseAI。
最初坚持使用单向Transformer构造大模型，现在看的确很有眼光，ChatGPT比GPT-3便宜10倍的价值，抢先占领市场，这个策略可能也是合理的。
而AI、语言模型发展到今天，也是互联网数据，软硬件，深度学习，强化学习各个领域近年高速发展和开源的结果。个人认为：无论谁都不太可能一家独大。

4.3.1 GPT-GPT3.5

详见：GPT / GPT-2 / GPT-3 / InstructGPT 进化之路

4.3.2 GPT-4

发布时间：2023-03-14
解决问题：评测了GPT-4：一个大规模的多模态模型，可以接受图像和文本输入并产生文本输出。提升了利用知识去解决具体问题的能力。对于非常复杂的指令，GPT-4的理解能力和创造力远超3.5。
方法：模型训练具体使用了互联网数据和一些三方版权数据。然后使用人类反馈强化学习 (RLHF) 对模型进行微调。
模型结构：延续了GPT-3的结构
数据和模型规模：报告不包含关于架构(包括模型尺寸)、硬件、训练计算、数据集构建、训练方法或类似的更多细节。
亮点：实验结果
论文地址：GPT-4 Technical Report

4.4 清华

2022年11月，斯坦福大学大模型中心对全球30个主流大模型进行了全方位的评测，GLM-130B 是亚洲唯一入选的大模型。它准确性和恶意性指标上与 GPT-3 175B (davinci) 接近或持平。
ChatGLM是GLM公开的单机版本，基本是开包即用，又是中英文双语训练的模型，对中文用户比较友好。

4.4.1 GLM

发布时间：2022-01-01
解决问题：通过在结构上的调整，结合了GPT和BERT类模型的优点，且模型规模和复杂度没有提升。将NLU任务转换成生成任务训练模型，使上下游任务训练方式保持一致。
方法：没有一个预训练框架对自然语言理解 (NLU)、无条件生成和条件生成这三个主要类别的所有任务表现都好。GLM 基于自回归空白填充来解决这一挑战。使用了二维的位置编码，相对于T5模型有更少的参数，差不多的效果。一个模型同时支持NLU和文本生成，所以是多任务的训练。
模型结构：GLM基于自回归的空白填充。从输入文本中随机删除连续的token(自编码)，并训练模型以顺序重建删除的token(自回归)。
数据和模型规模：使用BERT/RoBERT 几种模型大小相同的数据训练模型，以保证对比的公平性。
论文地址：GLM: General Language Model Pretraining with Autoregressive Blank Infilling

4.4.2 ChatGLM

发布时间：2023-01-01
解决问题：开源，并针对中文进行了优化，尤其是可以在自己的机器上搭建其简版的int4服务，实测回答一般性问题效果还不错。
方法：ChatGLM是使用中英双语预训练的大语言模型，在稳定性和性能方面进行了调优。在模型结构上结合了GPT和BERT。在英文方面，效果优于GPT-3；在中文方面，优于260B参数的ERNIE TITAN 3.0。可在4×RTX 3090 (24G) 或 8×RTX 2080 Ti (11G) GPUs 环境下运行。
不仅包括自监督的GLM自回归空白填充，还包括对小部分token的多任务学习，以提升其下游zero-shot任务的性能。
模型结构：同GLM。
数据和模型规模：具有130B参数（1300亿），包括1.2 T英语、1.0 T的中文悟道语料库，以及从网络爬取的250G中文语料库(包括在线论坛、百科全书和QA)，形成了平衡的英汉内容构成。
亮点：搭建方法
论文地址：GLM-130B: AN OPEN BILINGUAL PRE-TRAINED

4.5 DeepMind

DeepMind 围绕提升模型性能展开研究，其研究为后继的模型精减和优化，和更广阔的使用场景奠定了基础。

4.5.1 Gopher

发布时间：2021-12-08
解决问题：经过实验得出结论：任何学术科目，连同一般知识，通过模型改进模型规模都能提升其效果，但规模对逻辑推理、常识和数学任务的好处较少。
方法：DeepMind 训练了 6 个不同大小的模型，从 44M 参数到 280B 参数的 Gopher 模型，进行比较，他们在一组 152 个任务上评估了模型，Gopher 打破了 100 项记录。
模型结构：Decoder结构。
数据和模型规模：10.5TB语料库上进行训练，280 B参数。
论文地址：Scaling Language Models: Methods, Analysis & Insights from Training Gopher

4.5.2 Chinchillla

发布时间：2022-03-29
解决问题：针对训练数据量，模型参数量，以及数据训练量，得出结论：更长的训练时间，更多token，能提升模型效果；大模型的参数量和性能之间存在幂律分布。
方法：在 5 到 5000 亿个标记上训练 400 多个语言模型，范围从 7000 万到超过 160 亿个参数，把参数量和数据规模加入Loss的惩罚。在运算量固定的情况下，如何选择参数和token量的配比，使损失函数最小；它对Gopher的进行调整，将模型大小变为其1/4，token变为其4倍，与Gopher计算量基本一致。
模型结构：同Gopher
数据和模型规模：10.5TB语料库上进行训练，70B模型参数。
论文地址：Training Compute-Optimal Large Language Models

4.6 MicroSoft

本月微软发布的两篇文章（2023年03月），相对偏具体的应用场景，以及语言模型和其它（如图片）数据相结合实现的应用效果，尽管把文本和图本映射到同一嵌入空间；通过调整提示调用ChatGPT和图像修改工具，并不是首次提出，但是实现的效果还是很炫酷有趣的。

4.6.1 Visual ChatGPT

发布时间：2023-03-08
解决问题：在ChatGPT和图像构建方法间做了桥接，和其它模型相比，除了利用大语言模型中的知识，还利用了ChatGPT强化学习带来的能力，
方法：主要对聊天的场景进行优化，在提示上作文章。即：在ChatGPT外边包了一层，这也是当前最常见的用法，文章偏工程化的具体实现。将CoT的潜力扩展到大规模任务，包括但不限于文本生成高清图像、图像到图像的翻译、图像到文本的生成等。
模型结构：主要组合调用现有模型，设计了一个Prompt Manager，其中涉及22个不同的虚拟功能矩阵，并定义了它们之间的内部关联，以便更好地交互和组合。
数据和模型规模：(OpenAI “text-davinci-003” version)
论文地址：Visual ChatGPT: Talking, Drawing and Editing with Visual Foundation Models

4.6.2 Kosmos-1

发布时间：2023-03-01
解决问题：主要研究视觉和文本领域的对齐，具体应用是看图回答问题。KOSMOS - 1是一种多模态语言模型，能够感知通用模态、遵循指令、在语境中学习并产生输出。
方法：也没太说具体是怎么做的，主要是提出概念，展示能力。
模型结构：包含单模态数据和多模态数据。使用单模态数据进行表示学习。例如，利用文本数据进行语言建模预训练指令跟随、语境学习、各种语言任务等。此外，用跨模态对和交错数据学习将一般模态的感知与语言模型对齐。
数据和模型规模：1.3 B的参数。
亮点：应用场景：回答图片智力题，直接OCR 备2_论文阅读_Kosmos-1
论文地址：Language Is Not All You Need: Aligning Perception with Language Models

4.7 其它大模型

还有一些大语言模型也有着里程碑的意义，比如：MT-NLG 530B，当时首次把模型扩展到 500+B的量级，示范了训练单体超大模型的方法；又如 BLOOM 是一个开放的模型，任何人都可以从Hugging Face网站免费下载它进行研究。它们也常常在其它文章中用作模型对比的基线。

4.7.1 Megatron–Turing NLG（威震天-图灵，MT-NLG 530B）

发布时间：2021年10月
解决问题：英伟达和微软合作训练模型，示范了训练单体超大模型的方法，
方法：4480块A100训练，DeepSpeed & Megatron 三维并行训练技术。DeepSpeed 是一个深度学习优化库，让分布式训练变得简单、高效且有效，Megatron-LM 是由 NVIDIA 的应用深度学习研究团队开发的大型、强大的 transformer 模型框架。
模型结构：Decoder结构。
数据和模型规模：530 B 参数
论文地址：Using DeepSpeed and Megatron to Train Megatron-Turing NLG
530B, A Large-Scale Generative Language Model

4.7.2 BLOOM

发布时间：模型的训练于 2022 年 3 月至 7 月期间，耗时约 3.5 个月完成，在2022年11月上传arxiv。
解决问题：Hugging Face 联合创始人发起，多方联合，BigScience 的研究人员发布的开源模型。BLOOM最大的特点在于可访问性，任何人都可以从Hugging Face网站免费下载它进行研究。
方法：Megatron & DeepSpeed 训练。
模型结构：Decoder结构。
数据和模型规模： 176 B参数，1.5TB 经过大量去重和清洗的文本，包含 46 种语言，最终转换为 350B token。
论文地址：BLOOM: A 176B-Parameter Open-Access Multilingual
Language Model