**问题1：**Causal Language Modeling 和 Conditional Generation 、Sequence Classification 的区别是什么？
因果语言模型(Causal Language Model)： 预测给定文本序列中的下一个字符，一般用于文本生成、补全句子等，模型学习给定文本序列的概率分布，并预测下一个最可能的词或字符。
条件生成模型(Conditional Generation)： 基于给定的条件或输入生成新的文本，模型不仅学习文本序列的概率分布，还学习如何根据给定的条件生成文本。常见的模型包括T5（Text-to-Text Transfer Transformer）和BART（Bidirectional and Auto-Regressive Transformer）。一般用于翻译、问答。
序列分类模型(Sequence Classification)： 将输入的文本序列分类到预定义的类别中。常见的模型包括BERT（Bidirectional Encoder Representations from Transformers）和RoBERTa（Robustly Optimized BERT Pretraining Approach）。一般任务为情感分析、文本分类、垃圾邮件检测。
条件生成模型和因果模型之间的差别：
因果语言模型(Causal Language Model) 与序列到序列模型(Seq2Seq)的区别与联系_causal language modeling-CSDN博客
浅谈NLP中条件语言模型(Conditioned Language Models)的生成和评估 - 知乎
Seq2Seq： 专指 encoder-decoder 架构，和条件生成模型是同一个东西，一般用于翻译任务和图生文。从一个序列到另一个序列。
原因： 因为输入和输入的数据类型不相同，所以需要 encoder 将其转为同空间的序列，然后再通过 Decoder 将这个序列展开为输出的结果。Decoder 生成下一个词的时候，不仅依赖于历史序列，还依赖与编码器提供的外部信息。
Casual Model： Causal Language Model是一种只包含解码器（Decoder-only）的模型，它的核心思想是根据前面的文本序列来生成后面的文本序列。所以它的特点是，每次生成下一个词时，模型会考虑前面已经生成的所有词（上下文）。这种模型本质上是自回归的，即“基于前面的内容生成后面的内容”。
原因： 完全依赖于自身生成的历史序列。
