Interpretation aktueller Themen: Die aufstrebende Fähigkeit großer Modelle und der durch ChatGPT ausgelöste Paradigmenwechsel

In letzter Zeit besteht großes Interesse an den leistungsstarken Fähigkeiten großer Sprachmodelle (z. B. Gedankenketten^{[2], Notizblöcke[3]), und es wurde viel daran gearbeitet. Wir bezeichnen diese zusammenfassend als die entstehenden Fähigkeiten großer Modelle [4]. Diese Fähigkeiten [5] existieren möglicherweise nur in großen Modellen, nicht jedoch in kleineren Modellen, daher werden sie „emergent“ genannt. Viele dieser Fähigkeiten sind sehr beeindruckend, wie z. B. komplexes Denken, wissensbasiertes Denken und Robustheit außerhalb der Verteilung, auf die wir später im Detail eingehen werden.}

Bemerkenswerterweise kommen diese Fähigkeiten dem nahe, was die NLP-Community seit Jahrzehnten sucht, und stellen somit einen möglichen Paradigmenwechsel in der Forschung dar, weg von der Feinabstimmung kleiner Modelle hin zur Verwendung großer Modelle für kontextbezogenes Lernen. Für First Mover mag der Paradigmenwechsel offensichtlich sein. Aus Gründen der wissenschaftlichen Genauigkeit benötigen wir jedoch sehr klare Gründe, warum man auf große Sprachmodelle umsteigen sollte, auch wenn diese Modelle teuer ^[6], schwierig zu verwenden ^[7] und möglicherweise nur sind mäßig wirksam ^[8]. In diesem Artikel werfen wir einen genaueren Blick darauf, was diese Fähigkeiten sind, was große Sprachmodelle bieten können und welche potenziellen Vorteile sie in einem breiteren Spektrum von NLP/ML-Aufgaben haben.

Originallink: yaofu.notion.site/A-Closer-Look-at-Large-Language-Models-Emergent-Abilities-493876b55df5479d80686f68a1abd72f

Inhaltsverzeichnis

Prämisse: Wir gehen davon aus, dass die Leser über die folgenden Kenntnisse verfügen:

• Vorschulung, Feinabstimmung, Tipps (natürliche Sprachverarbeitung/Deep-Learning-Fähigkeiten, die normale Praktiker haben sollten)
• Denkketten-Tipps, Notizblöcke (normale Praktiker können Ich weiß nicht viel darüber, hat aber keinen Einfluss auf das Lesen.

Die Aufforderung zum Nachdenken löst Argumentation in großen Sprachmodellen aus. Die X-Achse ist die Modellgröße. GSM8K ist eine Sammlung von Mathematikaufgaben für die Grundschule.

In den obigen Darstellungen können wir die Leistung des Modells beobachten: Wenn die Größe relativ klein ist, ist die Verbesserung nicht groß.

Es gibt eine signifikante Verbesserung, wenn das Modell wird größer

• Dies zeigt grundsätzlich, dass einige Fähigkeiten möglicherweise nicht in kleinen Modellen vorhanden sind, sondern in großen Modellen erhalten werden.
• Es gibt viele Arten neu entstehender Fähigkeiten, wie zum Beispiel die von Wei et al. im Jahr 2022[9]
. Einige Fähigkeiten sind interessant, aber wir werden sie in diesem Artikel nicht diskutieren, wie zum Beispiel die Buchstabierung der letzten Buchstaben einer Wortfolge. Wir glauben, dass dies eher eine Aufgabe für Python als ein Sprachmodell oder eine dreistellige Addition ist ist eine Berechnung, die der Prozessor anstelle des Sprachmodells durchführt.

In diesem Artikel interessieren uns hauptsächlich die folgenden Fähigkeiten:

^{1 Fähigkeiten, auf die die NLP-Community in den letzten Jahren geachtet hat, die aber von früheren NLP-Modellen nur schwer zu erreichen waren}

2. Vom Menschen abgeleitet Die tiefste wesentliche Fähigkeit der Sprache (Fähigkeitstiefe)

3 Die Fähigkeit, die das höchste Niveau der menschlichen Intelligenz erreichen kann (die Obergrenze der Fähigkeit)

Viele interessante Fähigkeiten können alle in die oben genannten Kategorien eingeteilt werden. Darunter besprechen wir hauptsächlich die folgenden drei typischen Fähigkeiten:

Wissensdenken

• Out-of -Verteilungsrobustheit
• Lassen Sie uns jeden einzelnen im Detail besprechen.

Komplexes Denken

Das Folgende ist ein Beispiel im GSM8K-Datensatz, bei dem die Verwendung von Aufforderungswörtern die Feinabstimmung deutlich übersteigt:



Obwohl diese Frage für ein 10-jähriges Kind einfach ist, Für Sprachmodelle ist es schwierig, vor allem weil Mathematik und Sprache miteinander vermischt sind.

GSM8K wurde ursprünglich von OpenAI im Oktober 2021 vorgeschlagen ^[10]. Damals nutzten sie die erste Version ^[11]GPT3, um den gesamten Trainingssatz mit einer Genauigkeit von etwa 35 % zu verfeinern. Dieses Ergebnis stimmt die Autoren ziemlich pessimistisch, da ihre Ergebnisse das Skalierungsgesetz von Sprachmodellen zeigen: Wenn die Modellgröße exponentiell zunimmt, steigt die Leistung linear (darauf werde ich später noch eingehen). Daher überlegen sie in Abschnitt 4.1:

„Das 175B-Modell scheint mindestens zwei zusätzliche Größenordnungen Trainingsdaten zu erfordern, um eine 80 %ige Lösungsrate zu erreichen.“

Drei Monate später, im Jahr 2022 January, Wei et al. [12] ^{Basierend auf dem 540BPaLM-Modell} verbesserte sich die Genauigkeit auf 56,6 % unter Verwendung von nur 8 Gedankenketten-Eingabeaufforderungsbeispielen (ohne den Trainingssatz um zwei Größenordnungen zu erhöhen). Später im März 2022 basierten Wang et al.[13] auf dem gleichen 540B PaLM-Modell und verbesserten die Genauigkeit durch Mehrheitsentscheidung auf 74,4 %. Der aktuelle SOTA stammt aus meiner eigenen Arbeit an AI2 (Fu et. al. Nov 2022^[14]), wo wir durch den Einsatz komplexer Gedankenketten eine Genauigkeit von 82,9 % auf 175B Codex erreichten. Wie aus den oben genannten Fortschritten hervorgeht, nimmt der technologische Fortschritt tatsächlich exponentiell zu.

Die Eingabeaufforderung der Denkkette ist ein typisches Beispiel, das die Emergenzfähigkeit des Modells mit Maßstab zeigt:
• Aus der Perspektive der Emergenzfähigkeit: Nur wenn das Modell größer als 100B ist, kann der Effekt des Die Denkkette ist größer als der einzige Antworthinweis. Diese Fähigkeit gibt es also nur bei großen Modellen.
• Der Wirkung nach zu urteilen: Die Leistung der Gedankenkettenaufforderung ist deutlich besser als die vorherige Feinabstimmungsmethode [15].
• Aus Sicht der Annotationseffizienz: Gedankenkettenaufforderungen erfordern nur Annotationen von 8 Beispielen, während für die Feinabstimmung ein vollständiger Trainingssatz erforderlich ist.
Einige Schüler denken vielleicht, dass Modelle Grundschulmathematik beherrschen und nichts bedeuten (in gewissem Sinne sind sie wirklich nicht so cool). Aber GSM8K ist erst der Anfang, und jüngste Arbeiten haben den neuesten Stand in die Highschool

[16], das College ^[17] und sogar in die Aufgaben der Internationalen Mathematikolympiade ^[18] gebracht. Ist es jetzt kühler?

Wissensbasiertes Denken

Das nächste Beispiel sind Denkfähigkeiten, die Wissen erfordern (wie Frage und Antwort und gesundes Denken). In diesem Fall ist die Anregung eines großen Modells nicht unbedingt besser als die Feinabstimmung eines kleinen Modells (welches Modell besser ist, bleibt abzuwarten). Aber die Annotationseffizienz wird in diesem Fall erhöht, weil:
Um in vielen Datensätzen den erforderlichen Hintergrund/das erforderliche Wissen über den gesunden Menschenverstand zu erhalten, erfordert das (zuvor kleine) Modell zum Abrufen einen externen Korpus/Wissensgraphen
• [19 ], oder Sie müssen durch Multitasking-Lernen auf erweiterten ^[20]Daten trainieren
Bei großen Sprachmodellen können Sie den Retriever direkt entfernen
• [21] und sich nur auf das interne Wissen des verlassen Modell ^[22], und es ist keine Feinabstimmung erforderlich



Das Bild stammt von Yu et al. 2022. Frühere SOTA-Modelle müssen aus externen Wissensquellen abgerufen werden. GPT-3 schneidet ohne Abruf genauso gut/besser ab als die Vorgängermodelle.

Wie in der Tabelle gezeigt, übertrifft GPT-3 im Gegensatz zum Beispiel für eine mathematische Aufgabe das vorherige, fein abgestimmte Modell nicht wesentlich. Es muss aber nicht aus externen Dokumenten abgerufen werden, es enthält selbst Wissen

[23].

Um die Bedeutung dieser Ergebnisse zu verstehen, können wir auf die Geschichte zurückblicken: Die NLP-Community stand von Anfang an vor der Herausforderung, „Wissen effizient zu kodieren“. Menschen suchen ständig nach Möglichkeiten, Wissen außerhalb oder innerhalb des Modells zu speichern. Seit den 1990er Jahren versucht man, die Regeln der Sprache und der Welt in einer riesigen Bibliothek festzuhalten und Wissen außerhalb des Modells zu speichern. Das ist aber sehr schwierig, schließlich können wir nicht alle Regeln ausschöpfen. Daher begannen Forscher mit dem Aufbau domänenspezifischer Wissensdatenbanken, um Wissen in Form von unstrukturiertem Text, halbstrukturiertem (wie Wikipedia) oder vollständig strukturiertem (wie Wissensgraphen) zu speichern. Im Allgemeinen ist strukturiertes Wissen schwer zu konstruieren (weil das strukturelle System des Wissens entworfen werden muss), aber leicht zu begründen (aufgrund der Architektur), unstrukturiertes Wissen ist leicht zu konstruieren (speichern Sie es einfach direkt) , aber sehr schwer zum Nachdenken zu verwenden (keine Architektur). Sprachmodelle bieten jedoch eine neue Möglichkeit, einfach Wissen aus unstrukturiertem Text zu extrahieren und basierend auf dem Wissen effizient zu argumentieren, ohne dass vordefinierte Muster erforderlich sind. Die folgende Tabelle vergleicht die Vor- und Nachteile:



Out-of-Distribution-Robustheit

Die dritte Fähigkeit, die wir diskutieren, ist Out-of-Distribution-Robustheit. Zwischen 2018 und 2022 wurde in den Bereichen NLP, CV und allgemeines maschinelles Lernen viel zu Verteilungsverschiebung/kontradiktorischer Robustheit/Kombinationsgenerierung geforscht. Es wurde festgestellt, dass sich das Verhalten ändert, wenn sich die Testsatzverteilung von der Trainingsverteilung unterscheidet Die Leistung des Modells kann erheblich sinken. Dies scheint jedoch beim Kontextlernen großer Sprachmodelle nicht der Fall zu sein. Die Forschung von Si et al. [24] im Jahr 2022 zeigt:



Die Daten stammen von Si et al. 2022. Obwohl GPT-3 im gleichen Verteilungssetting schlechter ist Bei nicht identischen Verteilungseinstellungen ist es besser als RoBERTa und der Leistungsabfall ist deutlich geringer.

Ähnlich ist in diesem Experiment die Wirkung von GPT-3 basierend auf prompten Wörtern unter derselben Verteilung nicht so gut wie die von fein abgestimmtem RoBERTa. Aber es übertrifft RoBERTa in drei anderen Distributionen (Domain Switching, Noise und Adversarial Perturbations), was bedeutet, dass GPT3 robuster ist.

Darüber hinaus bleibt die Verallgemeinerungsleistung guter Aufforderungsworte auch bei einer Verteilungsverschiebung erhalten. Zum Beispiel:

Bild von Fu et al. 2022. Auch wenn die Testverteilung von der Trainingsverteilung abweicht, schneiden komplexe Hinweise immer besser ab als einfache Hinweise.

Die Studie von Fu et al. aus dem Jahr 2022 [25]

zeigt, dass die Leistung des Modells umso besser ist, je komplexer die Eingabeaufforderungen sind. Dieser Trend setzte sich bei Verteilungsverschiebungen fort: Komplexe Hinweise übertrafen durchweg einfache Hinweise, unabhängig davon, ob sich die Testverteilung von der ursprünglichen Verteilung unterschied, aus einer Rauschverteilung stammte oder aus einer anderen Verteilung übertragen wurde.

Bisherige Zusammenfassung

Im obigen Artikel habe ich drei neue Funktionen besprochen, die nur in großen Modellen verfügbar sind. Sie sind:

• Komplexe Argumentation, große Modelle übertreffen frühere kleine Modelle deutlich, ohne alle Trainingsdaten zu nutzen.
• Wissensargumentation: Große Modelle sind möglicherweise nicht so effektiv wie kleine Modelle, aber große Modelle erfordern keine zusätzlichen Wissensquellen (Wissen kann teuer oder schwer aus unstrukturierten Daten zu extrahieren sein).
• Außerhalb der Verteilungsrobustheit ist dies ein Problem, das bei der Feinabstimmung des Modells gelöst werden muss. Obwohl das große Modell im Fall der identischen Verteilung nicht so gut funktioniert wie frühere Methoden, ist die Generalisierungsleistung im Fall der nicht identischen Verteilung viel besser.

3. Emergente Fähigkeiten heben das Gesetz der Proportionen auf

Angesichts der oben aufgeführten Vorteile denken Sie vielleicht, dass große Sprachmodelle tatsächlich sehr gut sind. Bevor wir weiter diskutieren, werfen wir einen Blick auf frühere Arbeiten und wir werden auf eine sehr seltsame Frage stoßen: GPT-3 wurde im Jahr 2020 veröffentlicht, aber warum haben wir den Paradigmenwechsel erst jetzt entdeckt und nicht darüber nachgedacht?

Die Antwort auf diese Frage liegt in zwei Arten von Kurven: der logarithmischen linearen Kurve und der Phasenänderungskurve. Wie unten gezeigt:



Linkes Bild: Gesetz der Proportionen. Wenn die Modellgröße exponentiell wächst, wächst die entsprechende Modellleistung linear. Rechts: Wenn die Modellgröße einen bestimmten Maßstab erreicht, werden neue Funktionen angezeigt, die eine dramatische Leistungssteigerung ermöglichen.

Anfangs glaubten (OpenAI)-Forscher, dass die Beziehung zwischen der Leistung des Sprachmodells und der Modellgröße durch eine logarithmisch lineare Kurve vorhergesagt werden kann, d. h. wenn die Modellgröße exponentiell zunimmt, steigt die Leistung linear an. Dieses Phänomen ist als Skalierungsgesetz von Sprachmodellen bekannt, wie es von Kaplan et al. in ihrem ursprünglichen GPT3-Artikel aus dem Jahr 2020 diskutiert wurde. Wichtig ist, dass selbst der größte GPT-3 zu diesem Zeitpunkt die Feinabstimmung kleiner Modelle mit Hinweisen nicht übertreffen konnte. Daher bestand zu diesem Zeitpunkt keine Notwendigkeit, teure große Modelle zu verwenden (obwohl die Kennzeichnung von Aufforderungswörtern sehr effizient war). Bis 2021 stellten Cobbe et al. [28] fest, dass das Skalierungsgesetz auch für die Feinabstimmung gilt. Dies ist ein etwas pessimistischer Befund, da er bedeutet, dass wir möglicherweise an die Modellgröße gebunden sind. Obwohl die Optimierung der Modellarchitektur die Modellleistung bis zu einem gewissen Grad verbessern kann, bleibt der Effekt dennoch in einem Bereich (entsprechend dem Modell). Maßstab), ist es schwierig, einen bedeutenderen Durchbruch zu erzielen. Unter der Kontrolle des Skalierungsgesetzes (2020 bis 2021) schenkt die NLP-Community mehr Aufmerksamkeit, da GPT-3 die Feinabstimmung von T5-11B nicht übertreffen kann und die Feinabstimmung von T5-11B bereits sehr problematisch ist Untersuchen Sie kleinere Modelle oder eine effiziente Parameteranpassung. Präfix-Tuning^[29] ist ein Beispiel für die Schnittstelle von Aufforderungen und Anpassungen, die später von He et al. im Jahr 2021 vereinheitlicht wurden. Die damalige Logik war einfach: Wenn der Feinabstimmungseffekt besser ist, sollten wir mehr an einer effizienten Parameteranpassung arbeiten; wenn die Prompt-Word-Methode besser ist, sollten wir mehr Energie in das Training großer Sprachmodelle investieren.

Später im Januar 2022 wurde die Arbeit von Thought Chain veröffentlicht. Wie die Autoren zeigen, weisen Denkketten-Hinweise einen klaren „Phasenübergang“ in der Leistungsskalierungskurve auf. Wenn die Modellgröße groß genug ist, verbessert sich die Leistung erheblich und übertrifft die Skalierungskurve deutlich.

Bei der Verwendung von Gedankenketten für Eingabeaufforderungen schneidet das große Modell deutlich besser ab als die Feinabstimmung bei komplexen Überlegungen, schneidet bei Wissensbegründungen sehr konkurrenzfähig ab und verfügt über ein gewisses Potenzial für Verteilungsrobustheit. Es sind nur etwa 8 Beispiele erforderlich, um einen solchen Effekt zu erzielen, weshalb sich das Paradigma ändern kann (Hinweis: Dieser Artikel wurde einen Monat vor der Online-Schaltung von ChatGPT fertiggestellt; nachdem ChatGPT online ging, war die gesamte Branche schockiert und erkannte, dass sich das Paradigma geändert hatte ). 4. Was bedeutet Paradigmenwechsel?

Was genau bedeutet Paradigmenwechsel? Nachfolgend geben wir einen Vergleich zwischen Feinabstimmungs- und Prompt-Word-Methoden:

Die Vorteile von Prompt Words liegen auf der Hand: Wir brauchen keine mühsame Datenannotation und Feinabstimmung der gesamten Datenmenge mehr. Wir müssen nur noch Prompt Words schreiben und erhalten Ergebnisse, die den Anforderungen entsprechen, was viel schneller geht als Feinabstimmungen. Tuning.

Zwei weitere zu beachtende Punkte sind:

Ist kontextuelles Lernen überwachtes Lernen?

• Ehrlich gesagt bin ich mir nicht sicher.
• Die Ähnlichkeit besteht darin, dass kontextuelles Lernen auch Beispiele wie Trainingsdaten erfordert.
• Der Unterschied besteht darin, dass sich das Generalisierungsverhalten des kontextuellen Lernens nicht vom überwachten Lernen unterscheidet, was frühere Generalisierungstheorien (wie Rademancher-Komplexität oder Neural Tangent) zunichte macht Kernel) gilt nicht.

Ist kontextuelles Lernen wirklich besser als überwachtes Lernen?

• Die Antwort ist noch unbekannt.
• Bei den meisten Vergleichen zwischen Aufforderungswörtern und Feinabstimmung werden nur Aufforderungswörter + großes Modell mit Feinabstimmung + kleinem Modell verglichen. Ein fairer Vergleich sollte jedoch Aufforderungswörter + großes Modell mit Feinabstimmung + großes Modell und beim Vergleich das Basismodell sein sollte gleich sein. Wenn Wei et al. im ursprünglichen ThoughtChain-Artikel zeigen wollten, dass schnelle Wörter besser sind als Feinabstimmung, sollten sie fein abgestimmtes PaLM und nicht GPT3 vergleichen.
• Meine Hypothese ist: Feinabstimmung verbessert die Leistung innerhalb der Verteilung, beeinträchtigt jedoch die Robustheit außerhalb der Verteilung. Aufforderungswörter erzielen in Verteilungstransformationsszenarien eine bessere Leistung, sind jedoch nicht so gut wie die Feinabstimmung im gleichen Verteilungsszenario.
• Wenn die Hypothese wahr ist, dann ist eine Frage, die es wert ist, untersucht zu werden, wie man eine Feinabstimmung vornehmen kann, ohne die kontextbezogene Lernfähigkeit zu opfern die Modellgröße ändern . In der Arbeit von Yang et al. aus dem Jahr 2022 zeigt die vierte Tabelle beispielsweise, dass die Fähigkeit zur Generalisierung außerhalb der Verteilung von Bart-basiert abnimmt, Bart-large jedoch verbessert wird. Bei großen Modellen, bei denen sich die Verteilung des Testsatzes nicht wesentlich vom Trainingssatz unterscheidet, sollte auch der Feinabstimmungseffekt innerhalb der Verteilung verbessert werden.
• Sehen wir uns die oben erwähnte Logik an: Wenn die Feinabstimmung besser ist, sollten wir hart daran arbeiten, zu untersuchen, wie Parameter effizient optimiert werden können. Wenn schnelle Wörter besser sind, sollten wir hart daran arbeiten, bessere Sprachmodelle im großen Maßstab zu trainieren.

Obwohl wir glauben, dass große Sprachmodelle ein enormes Potenzial haben, gibt es immer noch keine schlüssigen Beweise dafür, dass eine Feinabstimmung oder Stichworte besser sind, sodass wir nicht sicher sind, ob sich das Paradigma tatsächlich ändern sollte oder ändern sollte Inwieweit

. Es ist sehr sinnvoll, diese beiden Paradigmen sorgfältig zu vergleichen, um uns ein klares Verständnis der Zukunft zu vermitteln. Wir überlassen die weitere Diskussion dem nächsten Artikel. 5. Wie groß sollte das Modell sein? Zwei Zahlen: 62B und 175B.

Das Modell erfordert mindestens 62B, damit die Wirkung der Gedankenkette größer sein kann als die Standard-Promptwort-Methode.

• Das Modell muss mindestens 175B groß sein (die Größe von GPT3), damit die Wirkung der Denkkette größer sein kann als die eines fein abgestimmten kleinen Modells (T5 11B).
• 62B Diese Zahl stammt aus der fünften Tabelle der [31]
-Arbeit von Chung et al. aus dem Jahr 2022:

Für alle Modelle kleiner als 62B ist die direkte Verwendung von Eingabeaufforderungswörtern besser als Denkkette. Das erste bessere Modell, das die Gedankenkette nutzt, ist das Ergebnis von Flan-cont-PaLM 62B auf BBH. Das 540B-Modell, das die Denkkette verwendet, wird bei mehr Aufgaben gute Ergebnisse erzielen, aber nicht alle Aufgaben sind besser als eine Feinabstimmung. Darüber hinaus kann die ideale Größe weniger als 540B betragen. In der Arbeit von Suzgun et al. [32] aus dem Jahr 2022 zeigte der Autor, dass 175B InstructGPT und 175B Codex besser sind als die direkte Verwendung von Prompt-Wörtern. Wenn wir die obigen Ergebnisse kombinieren, erhalten wir zwei Zahlen: 63B und 175B. Wenn Sie also an diesem Spiel teilnehmen möchten, müssen Sie zunächst über ein überdurchschnittlich großes Modell verfügen.

Allerdings gibt es andere große Modelle, die unter der Denkkette viel schlechter abschneiden und die Denkkette nicht einmal erlernen können, wie zum Beispiel die erste Version von OPT, BLOOM und GPT-3. Sie haben beide die Größe 175B. Dies bringt uns zu unserer nächsten Frage.

6. Ist die Größe der einzige Faktor?

Nein.

Skalierung ist ein notwendiger, aber nicht ausreichender Faktor. Einige Modelle sind groß genug (z. B. OPT und BLOOM, beide 175B), können aber keine Gedankenketten ausführen.

Es gibt zwei Modelle^[33], die zur Gedankenverkettung verwendet werden können:

• Modelle der GPT3-Serie, einschließlich text-davinci-002 und code-davinci-002 (Codex). Dies sind die einzigen zwei Modelle mit starken Emerging-Fähigkeiten, die öffentlich zugänglich sind.
• Zusätzlich zu den beiden oben genannten Modellen können andere GPT3-Modelle, einschließlich des ursprünglichen GPT3, text-davinci-001 und anderer kleinerer GPT-3-Modelle, keine Gedankenketten ausführen.
• Wenn wir sagen „kann eine Gedankenkette durchführen“, meinen wir, dass die Wirkung der Verwendung der Gedankenkettenmethode besser ist als die direkte Verwendung von Aufforderungsworten und die Feinabstimmung von T5-11B.
• Beachten Sie außerdem, dass code-davinci-002 [34] text-davinci-002 bei ^{Sprachaufgaben} durchweg übertrifft. Diese Beobachtung ist sehr interessant und faszinierend. Dies zeigt, dass ein auf Codedaten trainiertes Sprachmodell ein auf Sprache trainiertes Sprachmodell übertreffen kann. Bisher wissen wir nicht warum.
• PaLM-Modellreihe, einschließlich PaLM, U-PaLM, Flan-PaLM und Minerva. Diese Modelle sind noch nicht öffentlich zugänglich (@Google hier, bald Open Source).

Warum es Emergenzfähigkeit gibt, ist noch unklar, aber wir haben die Faktoren herausgefunden, die Emergenzfähigkeit erzeugen können:

• Befehlsfeinabstimmung: GPT-3 text-davinci-002 ist die Verwendung von Befehl + Verbesserung Das Produkt des Lernens^[35] Feinabstimmung. Zuvor war die Wirkung von text-davinci-001 auf die Denkkette nicht gut. Gleichzeitig wurde auch die Wirkung von PaLM^[36] durch die Feinabstimmung der Anweisungen verbessert^[37].
• Feinabstimmung des Codes: Der Codex code-davinci-002 ist auf den Code abgestimmt und seine Wirkung ist durchweg besser als die von text-davinci-002. PaLM wurde auch im Code optimiert. Oberflächlich betrachtet hat Code wenig mit Sprache zu tun, aber er scheint eine große Rolle zu spielen, worauf wir in einem späteren Artikel eingehen werden.
• Feinabgestimmt mit Gedankenkette: Als text-davinci-002 veröffentlicht wurde, hatte Google PaLM bereits seit 3 ​​Monaten veröffentlicht. OpenAI hätte also Arbeiten im Zusammenhang mit der Denkkette sehen sollen. Es gibt auch einige Arbeiten ^[38], die zeigen, dass eine Feinabstimmung direkt mit Denkkettendaten die Denkkettenfähigkeit des Modells stimulieren kann.

All diese Faktoren sind zum jetzigen Zeitpunkt jedoch Spekulation. Es ist sehr sinnvoll zu zeigen, wie das Modell trainiert werden kann, um neue Fähigkeiten zu erzeugen, und wir werden die weitere Diskussion dem ​​nächsten Artikel​​ überlassen.

7. Fazit Fazit

In diesem Artikel haben wir die Emergenzfähigkeit von Sprachmodellen sorgfältig untersucht. Wir betonen die Bedeutung und Möglichkeiten von komplexem Denken, Wissensdenken und Out-of-Distribution-Robustheit. Neue Fähigkeiten sind sehr spannend, weil sie Skalierungsgesetze überwinden und Phasenübergänge in Skalierungskurven aufweisen können. Wir haben ausführlich darüber diskutiert, ob sich das Forschungsparadigma tatsächlich von der Feinabstimmung zum kontextuellen Lernen verschieben wird, haben aber noch keine eindeutige Antwort darauf, da die Auswirkungen der Feinabstimmung und des kontextuellen Lernens in Szenarien innerhalb und außerhalb der Verteilung immer noch bestehen müssen verglichen werden. Abschließend diskutieren wir drei potenzielle Faktoren, die neue Fähigkeiten hervorbringen: Feinabstimmung der Anweisungen, Feinabstimmung des Codes und Feinabstimmung der Gedankenkette. Anregungen und Diskussionen sind herzlich willkommen.

Außerdem haben wir zwei interessante Themen erwähnt, die noch nicht besprochen wurden:

• Können wir die Auswirkungen von Feinabstimmung und kontextbezogenem Lernen fair vergleichen?
• Wie trainieren wir große Modelle, damit die Modelle über neue Fähigkeiten und Denkkettenfähigkeiten verfügen können?

Für diese beiden Themen werden wir sie in den Artikeln danach besprechen ​​​​​.

Chinesisch-Englisch-Vergleichstabelle

Das obige ist der detaillierte Inhalt vonInterpretation aktueller Themen: Die aufstrebende Fähigkeit großer Modelle und der durch ChatGPT ausgelöste Paradigmenwechsel. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!