文 | ZenMoore
编 | 小轶

GPT3 一声枪响，给 NLP 带来了大模型风潮。这么长时间过来，无论是中文还是英文，模型越做越大。当然，这确实是符合逻辑的，因为如果以人脑为向导的话，那么多神经元，不得不需要大参数量来模拟。但是，过于关注“大”本身，是存在很多问题的：一方面，模型规模增大带来的性能增益逐渐饱和，让我们不得不思考“精”这个维度；另一方面，大模型实在臃肿，在部署成本、下游任务适配、绿色、边缘化等等方面，有着难以解决的劣势。

因此，大模型发展至今，我们同样需要重点思考的，是如何把模型做精做强，如何把模型轻量化而效果不减！ 毕竟，模型之大有涯，而知也无涯！以有涯随无涯，殆已！

当然，2021 年出现了很多轻量化模型相关的工作，他们的 Motivation 基本都是采用一系列技巧，把模型的 size 减下来，但是 performance 依旧不输给 GPT3、Megatron等等超大模型。例如：使用 Prompting 技术的 T0 模型；使用知识增强、训练策略改进、压缩蒸馏、Prompting 等一系列方案的中文孟子模型 等等。

DeepMind 最近也入局了 NLP 模型，上来就是一套组合拳，总计三篇论文：

1. 280B 参数的 Transformer 语言模型：Gopher

2. 大模型的伦理与社会风险研究

3. 检索增强的自回归语言模型：Retro

我们重点聊一聊第三篇：使用检索增强的方式，不仅减小了模型的参数量，而且效果也非常能打！因此不失为模型轻量化的又一条路：把模型做成 Open System ！

论文标题:
Improving language models by retrieving from trillions of tokens

作者机构:
DeepMind

论文链接:
https://arxiv.org/pdf/2112.04426.pdf

方法

1. 检索增强的自回归语言模型

从输入开始，首先将输入文本均分为 个块(chunk), 每个 chunk 总共 个 tokens, 即输入文本长度为 . 这些 chunk 分别 记为 . 对每个 , 从 Rertieval Dataset 召回 个 neighbours, 记为 或者 .

因此，目标函数，即序列的对数似然公式如下：

需要注意的是，.

整个模型的结构是基于 Transformer Encoder-Decoder 的。

2. kNN 检索

然后介绍 Frozen kNN Retriever 部分。

首先有一个事先搜集好的 Retrieval Database (数据来源：MassiveText), 总共有 5T tokens 的数据量。将他们以键值对的形式一个 chunk 一个 chunk 地存储起来（不得不说，DeepMind 还是壕啊...）：

• 值：包含两个组分，记为 , 其中， 是 text token chunk, 是这个 token chunk 在数据源文档中的接续文本 (continuation)

• 键：即对应的 BERT embedding, 记为 (这里的 BERT 是训练好的，参数不会改变)。

这样，计算输入文本 chunk 的 BERT embedding，将其与 Retrieval Database 中的各个键计算 距离，作为度量，就可以得到这个输入文本 chunk 的 个 nearest neighbours.

3. Retro Model

接下来介绍 Retro 模型的主体部分，包含 层 Encoder, 以及 层 Decoder.

首先记输入文本的第 个 chunk 的 activation 为 .

在 Decoder 部分，定义一个整数集合 ，决定哪些层需要使用 Retro-block, 然后其余层均使用 Transformer 原版 Decoder 层即可。即：

同样地，在 Encoder 部分，也有一个对应的 .

我们这里不聊 Transformer 原版的 Encoder 或者 Decoder 层，只聊新的 Decoder (即 Retro-block) 和新的 Encoder.

新的 Encoder :

对于第 个 chunk 的 第 近邻的 retrieval neighbour, 我们使用这个方式对其进行编码：

这样就能以一种可微分的方式将输入文本的信息融合到 Retrieval Encoder 里面，从而控制 Retrieval Neighbour 的编码。

新的 Decoder :

这个的核心在于 Chunked Cross-Attention(CCA). 首先以 Figure.2 右侧图的方式，将 分割为 个 attending chunks, 分别记为

然后计算 和 的 cross-attention, 即

其中，cross-attention 这样计算：.

最后，在 Transformer 的实现上，还有两点小小的细节：

1. LayerNorm 替换为 RMSNorm

2. 使用相对位置编码 (relative position encoding)

4. 数据泄露的量化

除了模型上的改进，作者为了让自己的工作更加严谨有说服力，还针对大规模 Retrieval Database 以及训练集常见的数据泄露问题，提出了更加科学的定量分析方法，可圈可点！

这个问题其实非常自然，训练集、测试集都来自互联网，规模大了，测试数据很容易泄露（即测试集数据出现在训练集中），很多工作对这样的问题睁一只眼闭一只眼，但其实，在卖萌屋往期的推文也谈到过，这非常的不严谨！有没有什么解决办法呢？

首先对于每个测试集(或者验证集)的 chunk , 从训练集中召回 10 个 nearest neighbours, 计算 与这些 neighbours 的最长公共子序列长度，记作 . 定义 ，用来表征测试集(或验证集)中的 chunk 和训练数据的重合程度。另外，再记 编码的字节数为 , 的对数似然为 ，对 设置一个阈值 ，就可以定义一个新的评估指标 bits-per-bytes(bpb) :

bpb 值越小，模型的效果越好，同时，可以用阈值 来控制对数据泄露问题的容忍度，即 越小，bpb 越能代表无数据泄露时的模型效果，另外，bpb 的斜率还能表征模型对泄露数据的依赖度 (how much the model exploits evaluation leakage).

5. 与其他检索方法的对比

作者在这个表中总结得很明白，就不赘述了（溜...

实验结果

• Baseline 基本是原版的 Transformer，没有使用 Retrieval 进行增强，改动仅限于 RMSNorm 和相对位置编码

• Retro[OFF] 指的是在 evaluation 阶段，Retro 是不带 Retrieval 的

• Retro[ON] 就是上面介绍的完整的 Retro 模型

1. 第一张图：蓝色的圆点代表 172M 的 Retro[ON], 红色的三角代表 7.5B 的 Baseline，这两个效果差不多，证明了 Retrieval 确实可以在保证模型效果的前提下，缩减模型的参数量

2. 增大 Retrieval Database 的规模，可以有效地提升模型效果

3. Retrieval Neighbours 的数量也会影响模型效果，但是有一个最优点

1. 不同 model size、不同模型在各个数据集上的效果，可以看上面这张图

1. 这里挑一个 retrieval intensive 的下游任务——Question Answering. 可见，Retro 仍然战胜了不少模型。（至于为什么比 FID 等略逊一筹，主要是因为 FID 等使用的是 T5-style model，这些模型更加依赖于 encoder output, 而这是影响 QA 性能的关键）

2. baseline 模型可以快速灵活地 finetuned 为 Retro 模型，同时效果与 trained from scratch 的模型相比，基本相同。这个结论感觉还挺重要的，有了这个结论，我们就能够非常灵活地将现有的模型进一步精调成检索型模型，而不需要重新进行漫长的预训练。

3. 使用作者这种数据泄露问题的定量分析方法，可以证明 Retro 模型的效果增益，基本和数据泄露没有关系。另外，也提倡学界、业界重视起这个问题来，让实验更加严谨！！！

写在最后

DeepMind 很善于从人类身上汲取创造智能的灵感，这一波的灵感是：人类学习的过程，不仅仅是对当下知识的整合，还包括对记忆的检索，甚至包括对学习资料的检索。那么，这样一个检索型的语言模型，是非常自然的想法。

另外，虽然作者进行这个工作的初衷并不一定是模型轻量化，但是从它 10x 的参数缩减量来看，确确实实给轻量化提供了一个新的思路。无论是为了 training efficient, 还是为了 green, 模型的轻量化任重而道远！正如孟子模型的开篇语引用的话一样：“以力服人者, 非心服也,力不赡也。权,然后知轻重;度,然后知长短。” 把模型做精做强，也是我们应该考虑的核心问题。

笔者还有一点思考是，当下的语言模型大多是 closed system ：输入数据训练，训练完之后“包裹”起来使用。但是，封闭式系统就意味着，在使用模型进行 inference 的时候，不能“查资料”，是“闭卷考试”，这样真的合理吗？我们都知道，对人类来说，这个世界不会被排除在外，我们一直都在做“开卷考试”：写作时，难免查一查词典，翻一翻名著；编文案时，难免上网找一找灵感，看一看模板。相信对于机器来说，也更需要一个 open system，毕竟 “知也无涯”，而 “模型之大有涯”！以有涯随无涯，殆已！

萌屋作者：ZenMoore

来自北航中法的本科生，数学转码 (AI)，想从 NLP 出发探索人工认知人工情感的奥秘... 个人主页是 zenmoore.github.io, 知乎 ID 是 ZenMoore, 微信号是 zen1057398161, 嘤其鸣矣，求其友声！

作品推荐

1. 一文跟进Prompt进展！综述+15篇最新论文逐一梳理

2. 图灵奖大佬+谷歌团队，为通用人工智能背书！CV 任务也能用 LM 建模！

后台回复关键词【入群】

加入卖萌屋NLP/IR/Rec与求职讨论群

后台回复关键词【顶会】

获取ACL、CIKM等各大顶会论文集！

 

[1]. Language Models are Few-Shot Learners: https://arxiv.org/abs/2005.14165

[2]. Megatron-LM: Training Multi-Billion Parameter Language Models Using Model Parallelism: https://arxiv.org/pdf/1909.08053.pdf

[3]. Multitask Prompted Training Enables Zero-Shot Task Generalization: https://arxiv.org/abs/2110.08207

[4]. Mengzi: Towards Lightweight yet Ingenious Pre-trained Models for Chinese:https://arxiv.org/pdf/2110.06696.pdf

[5]. Scaling Language Models: Methods, Analysis & Insights from Training Gopher: https://arxiv.org/abs/2112.11446

[6]. Ethical and social risks of harm from Language Models: https://arxiv.org/abs/2112.04359

[7]. Leveraging Passage Retrieval with Generative Models for Open Domain Question Answering: https://arxiv.org/pdf/2007.01282.pdf

[8]. Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer: https://arxiv.org/abs/1910.10683

[9]. Multitask Prompted Training Enables Zero-Shot Task Generalization: https://arxiv.org/abs/2110.08207