自2022年，ChatGPT發(fā)布之后，大語言模型（Large Language Model），簡稱LLM掀起了一波狂潮。作為學(xué)習(xí)理解LLM的開始，先來整體理解一下大語言模型。

一、發(fā)展歷史

大語言模型的發(fā)展歷史可以追溯到早期的語言模型和機(jī)器翻譯系統(tǒng)，但其真正的起點(diǎn)可以說是隨著深度學(xué)習(xí)技術(shù)的興起而開始。

1.1 統(tǒng)計(jì)語言模型

在深度學(xué)習(xí)技術(shù)出現(xiàn)之前，語言模型主要基于傳統(tǒng)的統(tǒng)計(jì)方法，也稱為統(tǒng)計(jì)語言模型（SLM）。

SLMs是基于統(tǒng)計(jì)語言方法開始，基本思想是基于馬爾可夫假設(shè)建立詞預(yù)測模型，如根據(jù)最近的上下文預(yù)測下一個(gè)詞。具有固定上下文長度n的SLM也稱為n—gram語言模型。

然而這些模型雖然簡單，但在處理長文本序列時(shí)存在著詞匯稀疏性和上下文理解能力有限等問題。

1.2 神經(jīng)語言模型

隨著神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展，Bengio等人于2003年提出了神經(jīng)語言模型，將語言模型建模問題轉(zhuǎn)化為了一個(gè)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)問題。

循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）和長短期記憶網(wǎng)絡(luò)（LSTM）的提出進(jìn)一步增強(qiáng)了神經(jīng)語言模型對文本序列的建模能力。這些模型能夠捕捉到文本序列中的長程依賴關(guān)系，從而提高了語言模型的性能。

2013年，Google提出了Word2Vec模型，通過詞嵌入（Word Embedding）的方式將單詞映射到連續(xù)的向量空間中，提高了語言模型對單詞語義的理解能力。

2017年，谷歌提出了Transformer模型，該模型通過自注意力機(jī)制（Self-Attention）實(shí)現(xiàn)了并行計(jì)算，大大提高了模型的訓(xùn)練速度。

1.3 預(yù)訓(xùn)練語言模型

2018年，OpenAI發(fā)布了第一個(gè)版本的GPT模型，利用Transformer結(jié)構(gòu)進(jìn)行預(yù)訓(xùn)練，這是首個(gè)成功利用大規(guī)模無監(jiān)督學(xué)習(xí)方法來預(yù)訓(xùn)練通用語言表示的模型。

2018年，Google提出了BERT模型，與GPT的區(qū)別是GPT采用了單向的自回歸方式進(jìn)行預(yù)訓(xùn)練，而BERT通過MLM和NSP實(shí)現(xiàn)雙向上下文建模。使得預(yù)訓(xùn)練語言模型的性能得到了進(jìn)一步的提升。

隨后就激發(fā)了后續(xù)一系列的預(yù)訓(xùn)練模型的發(fā)展，如XLNet、RoBERTTa、T5、 GPT-2、GPT-3、GPT 3.5、GPT-4 等等。而大語言模型也是在此過程中被定義下來的。

二、什么是大語言模型

2.1 定義

從大語言模型字面意思來理解，“語言”和“模型”很好理解，就是代表著在自然語言處理上的AI模型。而這個(gè)大指的是神經(jīng)網(wǎng)絡(luò)很大，包括模型的參數(shù)數(shù)量、訓(xùn)練數(shù)據(jù)量、計(jì)算資源等。

參數(shù)數(shù)量

大語言模型通常含有數(shù)十億到數(shù)千億個(gè)參數(shù)，使得模型能夠有更強(qiáng)的語言理解、推理和生成能力。

如果只通過 GPT（生成式預(yù)訓(xùn)練 Transformer）模型的演進(jìn)規(guī)模來看：

2018年發(fā)布的GPT-1包含 1.17 億個(gè)參數(shù)，9.85 億個(gè)單詞。2019年發(fā)布的GPT-2包含15億個(gè)參數(shù)。2020年發(fā)布的GPT-3包含1750億個(gè)參數(shù)。ChatGPT 就是基于這個(gè)模型。2023年發(fā)布的GPT-4據(jù)爆料它可能包含1.8萬億個(gè)參數(shù)

訓(xùn)練數(shù)據(jù)訓(xùn)練大語言模型通常需要大規(guī)模的文本語料庫。這些語料庫可以包括來自互聯(lián)網(wǎng)、書籍、新聞等各種來源的文本數(shù)據(jù)，從而確保模型能夠?qū)W習(xí)到豐富和多樣化的語言知識。如GPT-3，它是在混合數(shù)據(jù)集上進(jìn)行訓(xùn)練的；PaLM使用了一個(gè)有社交媒體對話、過濾后的網(wǎng)頁、書籍、Github、多語言維基百科和新聞組成的預(yù)訓(xùn)練數(shù)據(jù)集。計(jì)算資源訓(xùn)練大型語言模型需要大量的計(jì)算資源，包括高性能的計(jì)算機(jī)集群、大容量的存儲設(shè)備以及高速的網(wǎng)絡(luò)連接。英偉達(dá)價(jià)格高昂但依然一卡難求的高性能GPU H100，長期霸占著LLM領(lǐng)域的熱門話題，可以說，英偉達(dá)壟斷了目前的AI算力市場。馬斯克甚至戲言：GPU現(xiàn)在比drug還緊俏。

2.2 大語言模型訓(xùn)練方式

現(xiàn)有的神經(jīng)網(wǎng)絡(luò)在進(jìn)行訓(xùn)練時(shí)，一般基于反向傳播算法（BP算法），先對網(wǎng)絡(luò)中的參數(shù)進(jìn)行隨機(jī)初始化，再利用隨機(jī)梯度下降（SGD）等優(yōu)化算法不斷優(yōu)化模型參數(shù)。

大語言模型的訓(xùn)練通常采用兩階段方法：預(yù)訓(xùn)練（pre-training）和微調(diào)（fine-tuning）預(yù)訓(xùn)練（Pre-training）：

• 在預(yù)訓(xùn)練階段，模型使用大規(guī)模無監(jiān)督的文本數(shù)據(jù)進(jìn)行訓(xùn)練，學(xué)習(xí)文本數(shù)據(jù)中的語言表示。
• 通常采用自監(jiān)督學(xué)習(xí)方法，即使用文本數(shù)據(jù)自身作為標(biāo)簽來訓(xùn)練模型。

訓(xùn)練過程中，模型通過最小化損失函數(shù)來優(yōu)化參數(shù)，以使得模型能夠更好地表示文本中的語義和語法信息。

微調(diào)（Fine-tuning）：

• 在預(yù)訓(xùn)練完成后，可以將預(yù)訓(xùn)練好的模型參數(shù)應(yīng)用于特定的下游任務(wù)，如文本生成、文本分類、情感分析等。
• 在微調(diào)階段，通常使用帶標(biāo)簽的數(shù)據(jù)集對模型進(jìn)行進(jìn)一步訓(xùn)練，以適應(yīng)特定任務(wù)的需求。微調(diào)可以在預(yù)訓(xùn)練模型的頂部添加一個(gè)或多個(gè)額外的層，并使用標(biāo)簽數(shù)據(jù)對這些層進(jìn)行訓(xùn)練。

微調(diào)的目標(biāo)是調(diào)整模型參數(shù)，使得模型能夠更好地適應(yīng)特定任務(wù)的特征和標(biāo)簽，從而提高任務(wù)性能。

在微調(diào)階段，模型在與目標(biāo)任務(wù)或領(lǐng)域相關(guān)的更具體、更小的數(shù)據(jù)集上進(jìn)一步訓(xùn)練。這有助于模型微調(diào)其理解，并適應(yīng)任務(wù)的特殊要求。

三、預(yù)訓(xùn)練

3.1 數(shù)據(jù)收集及處理

3.1.1 數(shù)據(jù)來源

無論是怎樣的模型，數(shù)據(jù)的質(zhì)量都是相當(dāng)重要的?，F(xiàn)有的大語言模型主要混合各種公共文本數(shù)據(jù)集作為預(yù)訓(xùn)練語料庫。如下為一些代表性模型的預(yù)訓(xùn)練數(shù)據(jù)來源的分布情況。語料庫的來源可以廣義分為通用文本數(shù)據(jù)和專用文本數(shù)據(jù)。通用指的就是如網(wǎng)頁、書籍和對話文本等廣泛可獲取的，可以增強(qiáng)模型的泛化能力；專用文本數(shù)據(jù)就是在想讓模型更加專注某一專業(yè)領(lǐng)域時(shí)所用的，如科學(xué)數(shù)據(jù)、代碼等。如上圖中的模型中，就大部分都是使用了通用的預(yù)訓(xùn)練數(shù)據(jù)。

3.1.2 數(shù)據(jù)預(yù)處理

收集數(shù)據(jù)之后，由于不確定性，所以需要對數(shù)據(jù)進(jìn)行預(yù)處理，尤其是噪聲、榮譽(yù)、無關(guān)或有害的數(shù)據(jù)。預(yù)處理過程如下：（1） 質(zhì)量過濾（Quality Filtering）刪除低質(zhì)量數(shù)據(jù)，常采用基于分類器和基于啟發(fā)式兩種方法。分類器就是使用用高質(zhì)量數(shù)據(jù)訓(xùn)練好的二分類的模型來對數(shù)據(jù)進(jìn)行分類，不過可能會刪除方言、口語和社會語言的高質(zhì)量文本?；趩l(fā)式就是設(shè)計(jì)一組精心設(shè)計(jì)的規(guī)則來消除低質(zhì)量文本，如基于語言、生成文本的評估度量、統(tǒng)計(jì)特征、關(guān)鍵詞等。

（2）去重（De-duplication）

重復(fù)數(shù)據(jù)會降低語言模型的多樣性，所以需要進(jìn)行去重處理。
從數(shù)據(jù)顆粒上來說，可以分為在句子級、文檔級和數(shù)據(jù)集級等進(jìn)行去重；（3）隱私去除（Privary Reduction）如涉及敏感個(gè)人信息的隱私內(nèi)容，也是需要去除的，很簡單有效的就是用基于如姓名、地址、電話號碼等關(guān)鍵詞的方法。（4）分詞（Tokenization）非常關(guān)鍵的步驟，將原始文本分割成詞序列。

3.2 架構(gòu)

3.2.1 編碼器-解碼器架構(gòu)（Encoder-Decoder）

如傳統(tǒng)Transformer 模型就是建立在此結(jié)構(gòu)上。它使用了6層的Encoder和Decoder

3.2.2 因果編碼器架構(gòu)（Causal decoder）

這時(shí)當(dāng)前主流使用的，采用單向注意力掩碼，以確保每個(gè)輸入標(biāo)記只能關(guān)注過去的標(biāo)記和它本身。輸入輸出標(biāo)記通過解碼器以相同的方式處理。典型的模型有 GPT1/23, OPT, BLOOM, Gopher。

3.2.3 前綴解碼器架構(gòu)（Prefix decoder）

修正了因果解碼器的掩碼機(jī)制，以使其能夠?qū)η熬Y標(biāo)記執(zhí)行雙向注意力，并僅對生成的標(biāo)記執(zhí)行單向注意力。
這樣與編碼器-解碼器架構(gòu)類似，前綴解碼器可以雙向編碼前綴序列并自回歸地逐個(gè)預(yù)測輸出標(biāo)記，其中在編碼和解碼過程中共享相同的參數(shù)?？偟膩碚f，Encoder-Decoder適用于序列到序列的任務(wù)，Causal Decoder適用于需要生成自回歸序列的任務(wù)，而Prefix Decoder適用于需要根據(jù)特定前綴生成序列的任務(wù)。

3.3 模型訓(xùn)練

在數(shù)據(jù)處理好，模型搭建好之后，就要開始對模型進(jìn)行訓(xùn)練。

四、微調(diào)和強(qiáng)化學(xué)習(xí)

在預(yù)訓(xùn)練后，大語言模型可以獲得解決各種任務(wù)的通用能力。然而，還可以通過特定目標(biāo)進(jìn)一步調(diào)整，也就是微調(diào)（Instruction Tuning）

4.1 指令微調(diào)

通過在特定的指令性任務(wù)數(shù)據(jù)集上進(jìn)行訓(xùn)練，提高模型對于指令類輸入的理解和響應(yīng)。指令的意思，舉個(gè)例子，對聊天機(jī)器人的指令，需要包括如“今天天氣如何”和對應(yīng)的回答，供模型學(xué)習(xí)。也就是說需要包含明確指令的數(shù)據(jù)集，一個(gè)指令需要包括一個(gè)任務(wù)描述、一個(gè)輸入輸出對以及少量實(shí)例（可選）。常用的指令實(shí)例格式化方法有格式化已有的數(shù)據(jù)集還有格式化人類需求。指令微調(diào)對模型的性能改進(jìn)和任務(wù)泛化能夠起到很好的作用

4.2 對齊微調(diào)

大語言模型有時(shí)可能表現(xiàn)出意外的行為，例如制造虛假信息、追求不準(zhǔn)確的目標(biāo)，以及產(chǎn)生有害的、誤導(dǎo)性的和偏見性的表達(dá)。為了避免這些意外行為，研究提出了人類對齊，使大語言模型行為能夠符合人類的期望也就是對齊微調(diào)。

在預(yù)訓(xùn)練階段使用的訓(xùn)練語料庫是沒有對模型的主觀定性評估的。所以可以在使用人類反饋的數(shù)據(jù)進(jìn)行微調(diào)，這個(gè)過程稱為強(qiáng)化學(xué)。

五、應(yīng)用

大語言模型作為具有廣泛應(yīng)用的變革工具而受到重視。

文本生成：這些模型具有理解上下文、含義和語言的微妙復(fù)雜性的固有能力。因此，他們可以生成連貫且上下文相關(guān)的文本。

問答與信息檢索：大語言模型在問答和信息檢索領(lǐng)域正在快速發(fā)展。他們理解人類語言的卓越能力使他們能夠從龐大的數(shù)據(jù)存儲庫中提取相關(guān)細(xì)節(jié)。

情感分析與意見挖掘：了解人類的情感和觀點(diǎn)在不同的環(huán)境中都具有巨大的意義，從塑造品牌認(rèn)知到進(jìn)行市場分析。像在社交媒體監(jiān)控和品牌認(rèn)知分析領(lǐng)域的應(yīng)用。

• 輔助代碼生成：如GitHub Copilot、通義靈碼

本文來源：嗣金雜談