【NLP 31、预训练模型的发展过程】

人的行为，究竟是人所带来的思维方式不同还是与机器一样，刻在脑海里的公式呢？

只是因为不同的人公式不同，所以人的行为才不同，可这又真的是人引以为傲的意识吗？

人脑只是相当于一个大型、驳杂的处理器，所以即使我们再重走一次曾经的路，结果也不会改变

                                                                                                                            —— 25.2.16

LLM(Large Language model)，大语言模型出现在ChatGPT之后出现，在此之前出现的模型我们称之为预训练模型，如：GPT3

大模型的“大”主要体现在参数量级之上，如Bert模型参数量仅有0.1B，而前段时间推出的DeepSeek模型参数量达到了671B，二者参数量的区别达到上千倍

一、ELMo

ELMo发表在Bert之前，提出了预训练思想，其训练方式依旧是由前文预测后文的自回归语言模型

其与现在主流的预训练模型的区别是在于其当时使用LSTM作为其模型主体结构

建议的下游任务使用方式：【将ELMo向量与词向量拼接输入下游模型】

将预训练好的ELMo（LSTM预训练模型），将其权重冻结（保持模型权重不进行更新），然后将权重冻结与正常的词向量拼接起来，送入一个RNN语言模型

---

二、GPT

GPT模型也出现在Bert模型之前，启用了Transformer作为核心编码器

开始使用特有token连接不同的句子

Start：开始符token

Delim：分隔符token

Extract：结束符token

将句子分割后送入Transformer进行编码，编码后线性层进行分类预测

GPT语言模型采取单向方式：

即：由前n个字预测下一个字

在语言模型预训练的基础上，增加了有监督任务训练：

GPT：通过下游任务准确率的对比，明确指出预训练的是有效的，transformer是好用的

---

三、Bert

MASK LM MLM任务：给一个长的序列，中间一个词mask掉，模型把mask处理后的序列传入Transformer，最后由线性层将这个mask的词预测出来（周围词预测中间词）

Next Sentence Predict NSP任务：输入两句话，中间用一个分隔符隔开，用【cls】token向量判段两句话是否是上下文关系

Bert：证明了MLM预训练强于单向训练（LTR  left to right）任务

现在发现，生成式任务更适合用LTR任务做预训练

---

四、预训练模型的发展过程

① ELMo：经过预训练步骤，我们可以对预测获得一定程度提升，可把预训练作为一种预测效果提升的手段

② GPT：提升效果很明显，预训练是有效的，Transformer是好用的

③ Bert：预训练是模型不可或缺的组成部分

---

五、国内公司跟进预训练工作

1.Ernie-baidu

Mask随机token ——> Mask某一特定实体或词组

验证得到：在一系列中文数据集（非生成式任务）上效果强于BERT

可以以完形填空的方式完成知识问答

这种做法在本质上相当于在预训练中加入了先验知识（提前告知哪些词是词组），可以更好的学习该语言

但是这也意味着对未知语言可能会无法使用该策略

---

2.Ernie- Tsinghua

引入知识图谱，将实体信息融合到预训练任务中

将知识图谱中训练到的一些图谱表示的向量与BERT向量进行一个组合，再通过Transformer，然后做一些特定的预测

Ernie：强调了额外知识的重要性

---

六、GPT2

继续使用单向语言模型：

继续使用transformer模型结构（小改：归一化层的位置进行调整）

模型改进在于：Bigger model（模型结构不变，模型参数增多）、more data（数据量增多）

文本生成能力可圈可点

提出思想：NLP任务不应该有通过下游任务微调的环节

强调zero-shot（不需要做下游任务的微调）

任何一个任务，都可以看作生成式任务来做，我们将输入和任务一同送入模型，然后让模型直接输出任务结果

例：做一个英法翻译任务，输入一句话再输入一个专门的task token（代表目标是转为法语），然后我们通过生成式任务（目标为模型直接输出法语），直接转换为法语

以如今的视角来看，task token接近于提示词的作用

GPT2：大规模语言模型可以在不做有监督训练的情况下，完成许多任务

---

七、UNILM

UNIfied pre-trained Language Model，使用不同的Mask

使用Bert的模型结构，同时进行Mask LM，单向LM，和seq2seq训练

使得预训练后模型可以更好的应用在生成式任务上，如：机器翻译和机器摘要等

UNILM：依靠 mask 控制哪些词参与 context embedding 的计算

Mask的部分将允许参与attention计算的元素设为0，将不允许参与attention计算的元素设置为负无穷，其他部分不变，计算自注意力分数

UNILM：解决了原生BERT在生成式任务上的短板，只需要更改Mask方式

---

八、Transformer - XL & XLNet

Transformer-XL 和 XLNet 都是自然语言处理领域中基于 Transformer 架构的重要模型，希望解决Transformer的长度限制问题（输入文本长度受最大位置编码影响）

1.循环机制  Recurrence Mechanism

Transformer-XL：是一种对Transformer模型的变化，将RNN的思想【tanh(Ux + Wh)】引入Transformer中，解决超长序列的问题

XLNet：是以Transformer-XL为结构的模型

记忆前面字预测的输出结果，加入到当前字的预测结果中去，在Transformer中，将前一段文本的隐向量与后一段文本向量拼接之后计算attention

公式：

---

2.相对位置编码 Relative Positional Encodings

① 绝对位置编码

BERT模型采用的编码是绝对位置编码，因为其对于一段文本中的所有位置都进行固定

公式：

E：word embedding        U：position embedding        Wq、Wk：Transformer模型中的参数q和参数k

② 相对位置编码

将两个位置的绝对编码Ui、Uj换成了两个位置的差值Ri-j（不可训练的正弦编码矩阵），避免了输入文本长度受最大位置编码影响的现象

公式：

Ri-j：不可训练的正弦编码矩阵（non-trainable sinusoid encoding matrix），序列中的每个位置都有唯一的编码向量。高频分量（对应较小维度）可捕捉局部细节，低频分量（对应较大维度）能捕捉全局信息。对于任意两个位置m和n，该编码能表示它们之间的相对位置关系。

        公式：

u, v ：可训练的参数trainable

---

3.训练XLNet的预训练目标

① 自回归语言模型预训练

AR语言模型：auto regressive language model 【GPT】

特点：单向预测下一个字

缺点：缺少双向信息

② 自编码语言模型预训练

AE语言模型：auto encoding language model 【BERT】

特点：双向信息输入，预测中间某个mask的字

缺点：引入了[mask]，但在实际任务中不存在，预训练与使用过程不一致，效果可能有缺

③ XLNet语言模型预训练

AR语言模型与AE语言模型融合 Permutation Language Model

首先打乱输入的句子顺序，之后进行单向预测

特点：不需要添加Mask token，并且含有双向句子信息

Transformer - XL & XLNet：修改预训练目标，同时修改模型结构，带来一定的效果提升

---

九、Roberta

Robustly optimized BERT approach

模型结构不变，训练方式调整：

① 更多的数据，更大的batch size，更久的训练

② 去掉next sentence prediction 前后句上下文关系的预测

③ 使用更长的样本

④ 动态改变mask位置：在多轮训练中，改变mask所在的位置，可以更好的利用语料

Roberta：挖掘旧的方法的潜力，有时比创新还要有效（模型结构不变，训练方式调整）

能够最大限度的发挥一种算法的能力，是算法工程师能力的体现

---

十、SpanBert

模型结构不变，对Bert训练目标改动：

① 去掉了NSP（next sentence prediction）任务

② 随机mask几个连续的token

③ 新的预训练任务SBO（Span Boundary Objective）：连续mask一个片段，三个参数（片段的首尾和词在mask片段中的位置编码）

---

1.SBO任务

Xs-1：代表mask片段之前的第一个token的Embedding

Xe+1：代表mask片段之后的第一个token的Embedding

Pi-s+1：代表目标token的Position Embedding

SBO预测层：将三个向量拼接起来，过线性层、激活层、归一化层，最终得到预测值

---

2.Mask片段长度采样分布

---

Mask指定实体或名词短语，效果不如mask随机片段

NSP作用不大，不如不加，不如SBO

SpanBert：大模型+更多的数据不是唯一出路，改变训练目标也有很大影响

---

十一、ALBERT

试图解决Bert模型过大的问题

想办法减少参数量

1. Factorized embedding parameterization    

Embedding层的参数因式分解

Bert模型参数量大小：词表大小 × 隐单元个数

ALBERT：将词嵌入矩阵的维度 V × H 分解为两个矩阵 V × E 和 E × H，其中 V 是词汇表大小，H 是隐藏层维度，E 是一个较小的中间维度。这样可以在不损失模型表达能力的情况下，显著减少词嵌入参数的数量。

---

2. Cross-layer parameter sharing

跨层参数共享，有多种共享方式：

① 只共享attention部分

参数：q、k、v、o

② 只共享feed-forward部分

两个线性层 + 一个激活层

③ 全部共享

参数量降为：1/12

---

3.更换预训练目标

论文认为NSP任务过于简单，用SOP（Sentence order prediction）任务替代NSP任务

SOP任务：输入两句话，预测两句话的前后顺序关系，同样是二分类任务

例：

        [CLS] 你好啊bert [SEP] 好久不见 [SEP] ——> Positive

        [CLS] 好久不见 [SEP]你好啊bert [SEP] ——> Negative

数据采样方式：给出前后连续两句话，有50%的概率交换两句话的位置，让模型判断位置顺序是否颠倒

---

4.局限性

① 虽然目的在于缩减参数，但缩减参数并没有带来正向的效果，模型效果依然是参数越大越好

② 虽然缩减了参数，但是前向计算速度没有提升（总参数量下降，训练速度有提升，预测速度没有很大提升）

ALBERT：工程角度讲价值不大，但是证明了参数量并非模型能力的绝对衡量标准

---

十二、DistillBert 模型蒸馏技术

DistillBert：蒸馏版Bert

传统的模型蒸馏技术：小的模型正常进行预训练过程（hard prediction），计算完成后与真实标签用交叉熵损失函数计算loss（student loss），超大模型会输出下一个字在词表大小上的概率分布，然后以 小模型当前输出的概率分布（soft prediction）与超大模型输出的概率分布（soft labels）之间，两者较为接近 作为一个新的训练目标，以KL散度作为损失函数计算loss（distillation loss），然后把student loss 和 distillation loss相加一起训练，一定程度上包含了Teacher model的信息

小模型从大模型输出的概率分布进行学习：对一个问题，由大模型本身进行回答构造任务的X 和 Y，然后让小模型对大模型构造的数据进行学习，然后用小模型输出 与 通过大模型得到的Y值，计算loss，再计算 小模型输出与大模型输出的概率分布之间的loss，同时计算这两者，这在如今也被称为模型蒸馏技术，也属于数据增强范畴

我们希望这个蒸馏后的小的模型能够较为接近这个超大模型的效果

Teacher model：效果较好的超大模型【老师模型】

Student（distilled） model：蒸馏后的较小模型【学生模型】

优点：包含的信息量更大，包含的概率分布更加平滑（下一个字的概率分布不应该是一个非0即1的形式）

---

损失函数 —— KL散度

KL散度是一种衡量两个概率分布（也可简单理解为向量）之间差异的算法。经常作为神经网络的loss函数使用。

与交叉熵计算过程实际非常接近，但交叉熵通常要求target是one-hot形式。

计算步骤：

① 计算比值：P(x)​ / Q(x)。

② 取对数：对每个比值取自然对数。

③ 加权求和：用真实分布 P(x) 作为权重，对所有事件求和。

④ 当P与Q的概率分布完全一致时，损失值loss最低

示例：Teacher model：P = [0.2, 0.4, 0.4]        Student（distilled） model：Q = [0.4, 0.2, 0.4]

 公式：

老师模型的概率分布 × log（老师模型的概率分布 / 学生模型的概率分布）

KL(P, Q) = 0.2 * log(0.2 / 0.4) + 0.4 * log(0.4 / 0.2) + 0.4 * log(0.4 / 0.4) = 0.1386294361

KL散度与交叉熵的关系

交叉熵H(P,Q)与KL散度的关系为：

---

十三、T5

Text-to-Text Transfer Transformer：Encoder - Decoder架构

生成式任务上，only - decoder结构效果相对更强一些

Seq2seq方法，理论上可以解决一切NLP问题【一切NLP问题都可以转化为生成式问题】

分类问题：文本  ->  标签

命名实体识别：文本  ->  实体

摘要、翻译：文本  ->  文本

回归问题：文本 -> 0.1(字符串)

---

预训练任务设计 text corruption

预训练任务目标与Bert类似，Bert模型运用mask方式进行训练，T5模型训练原理与Mask类似，把中间的一部分内容Mask掉，用token替代被mask的文本，输出时再用token预测回被mask的文本作为训练目标

从如今的视角来看，生成式任务更适合应用从左往右由前文预测后文的自回归结构

T5：我们有希望将NLP中的所有任务都当作一个生成式任务来做，迈向NLP的大一统

---

十四、GPT3

提高模型参数量：1750 亿参数量，是GPT-2的116倍

模型结构与GPT-2相同

继续使用单向自回归语言模型预训练

研究表示：不需要 Pre-training+ fine-tune【预训练 + 下游任务微调】的学习方式，而应该注重 Pre-training + Zero-, One-, Few-shot【预训练 + 零样本 / 单样本 / 小样本】的学习方式

理由：

① fine-tune需要的数据，经常是缺失的

② fine-tune会涉及对模型进行改造，使其变复杂，并失去泛化性

③ 人类学习做新任务并不需要很多样本

1. Zero-shot（零样本学习）

• 定义：模型无需目标类别的训练样本，直接通过语义描述或属性推理完成任务。
• 实现原理：
  • 依赖预训练阶段学到的跨模态关联（如CLIP通过文本描述匹配图像）。
  • 利用任务描述的Prompt直接引导模型生成答案（如“Let's think step by step”）。
• 典型应用：图像分类（未见类别）、文本生成（新领域指令）。

2. One-shot（单样本学习）

• 定义：仅需一个目标类别的示例即可适应新任务。
• 实现原理：
  • 元学习：在预训练基础上，通过少量参数调整（如Adapter模块）快速适应新样本。
  • 示例引导：在Prompt中提供1个示例，模型模仿其模式生成结果（如模仿写作风格）。
• 典型应用：员工刷脸打卡（新员工仅需一张照片）、罕见病诊断。

3. Few-shot（小样本学习）

• 定义：利用少量样本（通常2-5个）提升 模型在特定任务上的性能。
• 实现原理：
  • 指令微调：通过多样化任务数据（如问答对、推理步骤）调整模型参数，增强泛化能力。
  • 动态示例选择：使用BM25等算法从池中选择与当前输入最相关的示例。
• 典型应用：多分类任务（如5-way-5-shot）、复杂推理（需多步CoT提示）

GPT3：人工智能的目标：像人一样的学习能力

---

十五、从“续写”到“回答” 

Bert：输入文字——>经过Bert（用前文预测后文）——>添加线性层—— >然后作一个微调进行分类

使用bert类模型（通用模型）微调，需要一个随机初始化的线性层（成为一个专用的模型），这为使用带来了不便

---

LLM：模型永远生成文本，用文本描述各种各种任务的答案，解释给出答案

训练方式统一，推理方式统一（永远是一个固定的模型，以文字方式回答任何问题）

---

十六、InstructGPT

1.InstructGPT 的核心技术：人类反馈强化学习（RLHF）

InstructGPT 的核心创新在于将 人类反馈强化学习（Reinforcement Learning from Human Feedback, RLHF）引入语言模型训练，解决了传统模型生成内容：偏离用户意图、存在偏见或有害信息的问题。

2.训练流程 ① Pretraining训练

前文预测后文，自回归语言模型

需要大量的训练数据

知识主要在Pretrain阶段注入

3.训练流程 ② 监督微调（Supervised Fine-Tuning, SFT）训练

   使用人工标注的高质量指令-响应数据对 GPT-3 进行微调，使模型初步具备遵循指令的能力。数据包括用户提示（如“解释登月”）和人工编写的理想回答。

   与Pretraining类似，输入变成一问一答的形式，输入的问题与答案之间用一个分隔符<sep>隔开，由分隔符<sep>开始，预测答案的第一个字，由预测出的答案的第一个字再去预测答案的第二个字，循环这个过程，直到预测到终止符<eos>为止，将这段预测的文本作为这个问题的答案

只计算圈内部分的loss值，当给出一定数量的问答对数据进行训练，这个模型就变成了由“续写”到“回答”的模型

SFT的mask：问题全部可见，对于答案输出后面的字只能看到前面的字，给一定量的数据让模型理解我们希望生成类似的回复

mask形状：

4.训练流程 ③ 奖励模型训练（Reward Modeling, RM）

    模型生成多个候选响应，人工标注员对结果排序（如质量从高到低），训练一个奖励模型以量化响应质量。这一步将人类偏好转化为可计算的奖励信号。

5.训练流程 ④ 强化学习微调（Reinforcement Learning, RL）

   基于奖励模型的反馈，通过近端策略优化（PPO）算法调整语言模型参数，使生成内容更贴近人类偏好。这一阶段让模型实现“智能对齐”，显著提升输出的安全性和有用性。

6.与 GPT-3 的关键差异

维度	GPT-3	InstructGPT
设计目标	预测互联网文本的统计模式	理解并执行用户指令，生成对齐内容
训练方法	无监督预训练 + 零样本/小样本学习	RLHF 三阶段训练，结合人类反馈
输出质量	可能偏离指令、包含偏见或错误	更精准、安全、符合人类价值观
参数量效率	依赖大规模参数（175B）	仅 1.3B 参数即可超越 GPT-3 表现

7.应用场景与优势

① 精准指令执行

自动客服：生成符合用户需求的答案，减少歧义。

代码生成：根据指令编写代码片段或优化现有代码。

文档生成：按指令输出结构化报告、合同等。

② 安全性与无害性 

通过人类反馈过滤有害内容，减少种族歧视、性别偏见等风险。

③ 任务泛化能力

在复杂指令（如多步骤推理）中表现优于传统模型，例如数学运算、逻辑分析。

8.技术突破与影响

① 对齐性优化

InstructGPT 首次系统性解决了语言模型与人类意图的“对齐鸿沟”，为后续 ChatGPT 的对话形态奠定了基础。

② 小模型高效性

1.3B 参数的 InstructGPT 在人类评估中击败 175B 的 GPT-3，证明对齐技术可降低模型规模依赖。

③ 行业范式革新

RLHF 成为大模型训练的核心范式，尽管后续研究尝试替代方法（如 DPO），但其效果仍未被超越。

9.未来挑战

标注成本高：依赖人工标注反馈，规模化应用受限。

泛化边界：对超出训练分布的指令可能失效。

多模态扩展：如何将 RLHF 应用于图像、视频等多模态生成仍需探索。