正文

【生成式 AI】大模型 + 大資料 = 神奇結果？(1/3)：大模型的頓悟時刻

[2001.08361] Scaling Laws for Neural Language Models (arxiv.org) 论文指出，模型、数据集越大。

[2206.07682] Emergent Abilities of Large Language Models (arxiv.org)：大模型会有顿悟时刻：当模型足够大时，回答问题的准确率会骤增。

可以解释为，只有完全理解某个问题时，才能做对问题。

Calibration（校准）问题：判断语言模型是否理解问题还是只是单纯瞎掰。

[2207.05221] Language Models (Mostly) Know What They Know (arxiv.org)：在大模型中，置信度和精确度呈正相关，也就是说语言模型知道自己不知道。

inverse-scaling/prize: A prize for finding tasks that cause large language models to show inverse scaling (github.com)：Inverse Scaling Prize 竞赛：提出一个问题，让模型越大精确度反而越低。

然后就搜集到了一堆奇奇怪怪的问题。

[2211.02011] Inverse scaling can become U-shaped (arxiv.org) 认为这些问题之所以对大模型不好使，是因为这些大模型不够大，当模型更大时，又变好使了，呈现出一个 U 型曲线。

这些问题往往都有一点点坑，让一知半解的中模型吃亏。

模型越来越大。

Switch Transformers: Scaling to Trillion Parameter Models with Simple and Efficient Sparsity (jmlr.org)：Switch Transformer 甚至达到了 1.6T 个参数。

【生成式 AI】大模型 + 大資料 = 神奇結果？(2/3)：到底要多少資料才夠

[2011.04946] When Do You Need Billions of Words of Pretraining Data? (arxiv.org)：当数据量足够大时，模型才会学到足够的世界知识（常识）。

Gopher：[2112.11446] Scaling Language Models: Methods, Analysis & Insights from Training Gopher (arxiv.org)

准备数据：

Content Filtering 使用 Google 对数据进行审查，过滤有害内容
Text Extraction 去除网页中 HTML 等无关符号
Qualtiy Filtering 过滤低品质资料
Repetition Removal、Document Depulication 去除重复资料
Test-set Filtering 为了实验的严谨，测试集中不应该有训练集的东西（GPT3 有这个失误）

有一段资料重复的特别多。[2107.06499] Deduplicating Training Data Makes Language Models Better (arxiv.org)

在固定运算资源的情况下，对模型和资料进行取舍。

研究表明大资料小模型（学而不思）和小资料大模型（思而不学）都不能达到很好的效果，中间有一个平衡点。

Chinchilla 是一个小模型，但是训练数据集贼多。

在同样算力中，小模型大资料要比大模型小资料效果更好（其实两个模型都很大，一般人的运算资源根本不够）。

[2302.13971] LLaMA: Open and Efficient Foundation Language Models (arxiv.org)

[2210.11416] Scaling Instruction-Finetuned Language Models (arxiv.org)

Instruction-tuning 是一种通过为模型提供任务相关的指令来指导模型学习的方法。这种方法的目的是使模型更好地理解任务的要求，并提高其生成能力和上下文理解能力。

人工介入模型生成的方向。

这张图体现了 RL 和 Human Teaching 的重要性，让小模型比大模型效果更好。

【生成式 AI】大模型 + 大資料 = 神奇結果？(3/3)：另闢蹊徑 — KNNLM

通常来说，语言模型在做一个分类问题，即输入为「台湾大」，输出为各个候选词的概率，随后选出概率最高的词即可。

如下所示，Transformer 得到 Text 的 Embedding，随后通过线性层 + softmax 转换为分类问题。

与之对比，KNN LM 在得到 Repesentation 后，不仅训练了一个分类器，还将测试 Text 的 Repesentation 与训练数据得到的 Repesentation 进行距离计算，并根据距离得到下一个词的预测概率，再与原始分类器结合起来，得到最终结果

缺点是速度慢。

另外，KNN LM 可以拿任意资料与测试 Text 的 Representation 计算距离，并不局限于训练数据。因此 KNN LM 这种机制可以使模型训练时更专注于一些难度更高的问题，对于一些仅需记忆的问题则可以通过这种方式解决。

【生成式 AI】GPT-4 來了! GPT-4 這次有什麼神奇的能力呢？

GPT-4 (openai.com) GPT-4 的论文。

这种巨大的模型，都需要巨大的人力物力财力。

然而论文中对 GPT-4 的实现细节甚少。

This report focuses on the capabilities, limitations, and safety properties of GPT-4. GPT-4 is aTransformer-style model 33] pre-trained to predict the next token in a document, using both publiclyavailable data (such as internet data) and data licensed from third-party providers. The model wasthen fine-tuned using Reinforcement Learning from Human Feedback (RLHF) (34]. Given boththe competitive landscape and the safety implications of large-scale models like GPT-4, this reportcontains no further details about the architecture (including model size), hardware, training computedataset construction, training method, or similar.

本报告重点介绍 GPT-4 的能力、局限性和安全属性。GPT-4 是一个 Transformer 风格的模型 33]，使用公开的数据（如互联网数据）和第三方供应商授权的数据进行预训练，以预测文档中的下一个标记。然后，使用从人类反馈中强化学习（RLHF）对该模型进行了微调（34）。鉴于像 GPT-4 这样的大规模模型的竞争格局和安全影响，本报告没有包含关于架构（包括模型大小）、硬件、训练计算集构建、训练方法或类似的进一步细节。