54百億參數(shù)大模型進化樹重磅更新！85頁盤點LLM發(fā)展史，附最詳細prompt技巧
【新智元導(dǎo)讀】4月底火爆開發(fā)者社區(qū)的最全LLM綜述又更新了！這次，LLM的進化樹末端已經(jīng)從GPT-4和Bard更新到了Vicuna和Falcon。
在4月一經(jīng)推出就火爆開發(fā)者社區(qū)的大語言模型綜述更新了！此前，人大等學(xué)校的多位研究者回顧了大語言模型在背景知識、關(guān)鍵發(fā)現(xiàn)和主流技術(shù)等方面的進展，尤其強調(diào)了大語言模型的預(yù)訓(xùn)練、自適應(yīng)調(diào)優(yōu)、使用和能力評估。最近，研究者對于這些研究進行了更新。在這次更新中，添加了34多個新頁面，200多個新參考。包括：- 新論文（LLaMA系列） - 新章節(jié)（例如，LLMs的復(fù)雜任務(wù)規(guī)劃） - 26個有用的prompt技巧 - 對LLM的8種完成特定任務(wù)的能力進行實證評估論文地址：https://arxiv.org/abs/2303.18223
其中，時間軸主要根據(jù)模型的技術(shù)論文發(fā)布日期來建立。為了便于閱讀，團隊還通過LLM和人工校對，制作了中文版的調(diào)查報告（v4）。作者注：本文未經(jīng)許可，不得以任何形式進行轉(zhuǎn)發(fā)，或者拷貝使用相關(guān)內(nèi)容LLM發(fā)展概述（arXiv上LLM相關(guān)論文數(shù)量的趨勢）
這次更新的有arXiv上LLM相關(guān)論文數(shù)量趨勢。以下分別是包含關(guān)鍵詞「語言模型」（自2018年6月以來）和「大語言模型」（自2019年10月以來）的arXiv論文數(shù)量趨勢。統(tǒng)計數(shù)據(jù)是通過按月份查詢標(biāo)題或摘要中的關(guān)鍵詞的精確匹配來計算的。由于學(xué)界很早就開始探索語言模型了，因此研究者為這兩個關(guān)鍵詞設(shè)置了不同的X軸范圍。我們在圖中標(biāo)注了與LLMs研究進展中重要里程碑相對應(yīng)的點。在ChatGPT發(fā)布后，論文數(shù)量急劇增加：每天平均發(fā)布的包含「大語言模型」關(guān)鍵詞的arXiv論文從0.40篇增至8.58篇。LM研究發(fā)展階段
LM旨在對單詞序列的生成可能性進行建模，從而預(yù)測未來（或缺失）token的概率。SLM基于20實際90年代興起的統(tǒng)計學(xué)習(xí)方法開發(fā)。基本思想是建立基于馬爾可夫假設(shè)的單詞預(yù)測模型，例如，根據(jù)最近的上下文預(yù)測下一個單詞。具有固定上下文長度n的SLM也也被稱為n元語言模型，比如二元語言模型和三元語言模型。SLM在信息檢索（IR）和自然語言處理（NLP）中被廣泛應(yīng)用于提高任務(wù)性能。然而，它們往往會遭受維數(shù)詛咒：由于需要估計指數(shù)級數(shù)量的轉(zhuǎn)移概率，因此很難準(zhǔn)確估計高階語言模型。NLM通過神經(jīng)網(wǎng)絡(luò)（如循環(huán)神經(jīng)網(wǎng)絡(luò)RNN）來表征單詞序列的概率，NLM最顯著的貢獻是引入了單詞的分布式表征的概念，并構(gòu)建了以分布式詞向量為條件的單詞預(yù)測函數(shù)。為了構(gòu)建一個簡化的淺層神經(jīng)網(wǎng)絡(luò)來學(xué)習(xí)分布式的單詞表征，word2vec被提出，并且被證明是非常有效的。ELMo是通過預(yù)訓(xùn)練一個雙向LSTM網(wǎng)絡(luò)，然后根據(jù)特定的下游任務(wù)對這個網(wǎng)絡(luò)進行微調(diào)。此外，BERT是基于具有自注意機制的高度并行化Transformer架構(gòu)被提出。它們很大程度上提高了NLP任務(wù)的性能標(biāo)準(zhǔn)。許多研究通過訓(xùn)練更大的PLM（如175B參數(shù)的GPT-3和540B參數(shù)的PaLM來探索性能極限，它們在解決一系列復(fù)雜任務(wù)時涌現(xiàn)出驚人的能力。例如，GPT-3可以通過上下文學(xué)習(xí)解決few-shot任務(wù)，而GPT-2做得并不好。而GPT-4已經(jīng)被認為是AGI的早期版本。LLM涌現(xiàn)的能力
LLM的涌現(xiàn)能力被定義為：在小模型中不存在但在大模型中出現(xiàn)的能力。這是LLM區(qū)別于以往PLM的最顯著特征之一。GPT-3 正式引入了上下文學(xué)習(xí)能力：假設(shè)語言模型已經(jīng)提供了自然語言指令和多個任務(wù)描述，它可以通過完成輸入文本的詞序列來生成測試實例的預(yù)期輸出，而不需要額外的訓(xùn)練或梯度更新。175B型GPT-3總體表現(xiàn)出較強的上下文學(xué)習(xí)能力，而GPT-1和GPT-2表現(xiàn)不佳。通過對自然語言描述格式化的多任務(wù)數(shù)據(jù)集的混合進行微調(diào)（被稱為指令調(diào)優(yōu)），即使在以指令形式描述的未見任務(wù)上，LLM也表現(xiàn)良好。LLM可以在不使用顯示樣本的情況下遵循新任務(wù)的指令，從而提高泛化能力。對于小型語言模型，通常很難解決涉及多個推理步驟的復(fù)雜任務(wù)，例如數(shù)學(xué)單詞問題。相比之下，通過思維鏈（CoT）提示策略，LLM 可以通過使用包含中間推理步驟的prompt機制推導(dǎo)最終答案，來解決這類任務(wù)。據(jù)推測，這種能力可能是通過訓(xùn)練代碼而獲得的。LLM的關(guān)鍵技術(shù)
以下是幾個（潛在）導(dǎo)致LLM成功的重要技術(shù)。Transformer語言模型中存在明顯的擴展效應(yīng)：更大的模型/數(shù)據(jù)規(guī)模和更多的訓(xùn)練會導(dǎo)致模型容量的提高。GPT-3將模型參數(shù)增至1750億，PaLM將模型參數(shù)增至5400億，都探索了縮放的極限。由于規(guī)模巨大，需要分布式訓(xùn)練算法來學(xué)習(xí)LLM的網(wǎng)絡(luò)參數(shù)，聯(lián)合使用各種并行策略。為了支持分布式訓(xùn)練，DeepSpeed和Megatron-LM等優(yōu)化框架已經(jīng)發(fā)布，用來促進并行算法的實現(xiàn)和部署。在大規(guī)模語料庫上經(jīng)過預(yù)訓(xùn)練后，LLM被賦予了解決通用任務(wù)的潛在能力。但是執(zhí)行某個特定任務(wù)時，這些能力未必會表現(xiàn)出來。因此需要設(shè)計適合的任務(wù)指令或特定的上下文學(xué)習(xí)策略，來激發(fā)出LLM的這些能力，比如思維鏈prompt。由于訓(xùn)練LLM的語料質(zhì)量參差不齊，它們很可能生成對人類有毒、有偏見甚至有害的文本內(nèi)容。為了讓它們與人類價值觀保持一致，InstructGPT設(shè)計了一種利用強化學(xué)習(xí)和人類反饋的高效調(diào)優(yōu)方法，使得LLM 能夠遵循預(yù)期指令。ChatGPT即是在類似技術(shù)上開發(fā)的。LLM在數(shù)值計算任務(wù)上表現(xiàn)不佳，且受限于預(yù)訓(xùn)練數(shù)據(jù)。因此，它們需要外部工具來彌補，比如計算器、搜索引擎、外部插件等。
研究者主要根據(jù)OpenAI的論文、博客文章和官方API重新繪制了這個GPT系列模型的技術(shù)演進圖。在圖中，實線表示兩個模型之間存在明確的證據(jù)（例如，官方聲明新模型是基于基礎(chǔ)模型開發(fā)的）的演進路徑，而虛線表示相對較弱的演進關(guān)系。研究者討論了GPT系列模型的技術(shù)演變，總結(jié)了它們在過去幾年的進展。下表是近年來大語言模型（大于10B）的統(tǒng)計，包括容量評估、預(yù)訓(xùn)練數(shù)據(jù)規(guī)模（token數(shù)量或存儲大?。┖陀布Y源成本。只包括有公開技術(shù)細節(jié)論文的LLM。
由于數(shù)量龐大，這個圖中這個圖中包含所有的LLaMA變種，盡管其中有很多優(yōu)秀的工作。LLaMA模型是Meta AI在2023年2月推出的，包括7B、13B、30B和65B四個尺寸。自發(fā)布以來，LLaMA以前你了學(xué)界和工業(yè)界的廣泛關(guān)注。它們在各種開放基準(zhǔn)測試中取得了優(yōu)異性能，成為如今最流行的開源語言模型。由于計算成本較低，結(jié)構(gòu)調(diào)優(yōu)LLaMA已經(jīng)成為開發(fā)定制或?qū)Ｓ心Ｐ偷闹饕椒ā?/span>LLaMA家族包括Stanford Alpaca、Koala、BELLE。而基于另一種流行的LLaMA變體Vicuna，出現(xiàn)了LLaVA、MiniGPT-4、InstructBLIP、PandaGPT等。總之，LLaMA的發(fā)布極大推動了LLM的研究進展。
團隊從在線筆記和作者的經(jīng)驗中，收集了一些有關(guān)設(shè)計提示的有用建議，并展示了相關(guān)的要素和原則。2：將任務(wù)分解為易于理解的詳細子任務(wù)；T1. 盡可能詳細地描述提示，例如，「用50個字以內(nèi)總結(jié)這篇文章。包括主要情節(jié)和結(jié)論，可以省略不重要的細節(jié)。」 （1）T2. 用一個預(yù)設(shè)的提示讓LLM知道自己是一個專家，例如，「你是一個計算機科學(xué)領(lǐng)域的資深專家?！? （1）T3. 告訴模型更多應(yīng)該做什么的信息，而不是不應(yīng)該做什么。（1）T4. 為了避免LLM生成過長的輸出，可以只使用提示：「問題：簡短回答：」。此外，還可以使用以下后綴：「用幾個詞或一兩句話回答」。（1）I1. 對于需要事實知識的問題，先通過搜索引擎檢索相關(guān)文檔，然后將它們插入到提示中作為參考。（4）I2. 為了突出提示中的一些重要部分，請使用特殊標(biāo)記，例如引號（''）和換行符（\n）。也可以同時使用它們進行強調(diào)。（4）C1. 對于復(fù)雜的任務(wù)，可以清楚地描述完成任務(wù)所需的中間步驟，例如，「請一步一步地回答問題，步驟一：將問題分解為幾個子問題...」。（2）C2. 如果想讓LLM對文本進行打分，則需要提供有關(guān)評分標(biāo)準(zhǔn)的詳細說明，并提供示例作為參考。（1）C3. 當(dāng)LLM根據(jù)某個上下文生成文本時（例如根據(jù)購買歷史進行推薦），通過解釋與生成結(jié)果有關(guān)的上下文，可以提高生成文本的質(zhì)量。（2）D1. 格式準(zhǔn)確的上下文示例可以幫助指導(dǎo)LLM，特別是對于那些格式復(fù)雜的輸出來說。（3）D2. 對于少樣本思維鏈提示，可以使用「讓我們一步一步思考」，少樣本示例應(yīng)該用「\n」分隔而不是用句號。（1）（3）D3. 可以檢索上下文中的類似示例，為LLM提供有用的任務(wù)特定知識。為了檢索更多相關(guān)示例，先獲得問題的答案，然后將其與問題連接起來進行檢索。（3）（4）D4. 上下文示例的多樣性也很有用。如果很難獲得多樣性問題，可以嘗試保持問題的解決方案的多樣性。（3）D5. 在使用基于對話的LLM時，可以將上下文示例分解為多輪對話消息，以更好地匹配人類與機器人的對話格式。同樣，可以將示例的推理過程分解為多輪對話。（3）D6. 復(fù)雜且信息豐富的上下文示例有助于LLM回答復(fù)雜問題。（3）D7. 由于符號序列通常可以分為多個段落（例如i1、i2、i3 → i1、i2和i2、i3），可以將之前的段落用作上下文示例，引導(dǎo)LLM預(yù)測后續(xù)段落，同時提供歷史信息。（2）（3）D8. 上下文示例和提示組件的順序很重要。對于非常長的輸入數(shù)據(jù)，問題的位置（第一個或最后一個）也可能影響性能。（3）D9. 如果無法從現(xiàn)有數(shù)據(jù)集獲取上下文示例，另一種替代方法是使用LLM自己生成的零樣本示例。（3）O1. 在得出結(jié)論之前，讓LLM檢查其生成的結(jié)果，例如，「檢查上述解決方案是否正確」。（2）O2. 如果LLM無法很好地解決任務(wù)，可以通過提示LLM使用外部工具進行幫助。這時，工具應(yīng)該封裝為可調(diào)用的API，并提供關(guān)于其功能的詳細描述，以更好地指導(dǎo)LLM利用工具。（4）O3. 提示應(yīng)該是自包含的，并且最好不要包含上下文中的代詞信息（例如它和它們）。（1）O4. 在使用LLM進行比較兩個或更多示例的任務(wù)時，順序?qū)π阅苡绊懞艽?。?）O5. 在提示之前，為LLM分配一個角色有助于它更好地完成后續(xù)任務(wù)指導(dǎo)，例如，「我希望你扮演一名律師」。（1）O6. OpenAI模型在英語方面的任務(wù)表現(xiàn)比其他語言更好。因此，將輸入首先翻譯成英語，然后再輸入LLM會很有幫助。（4）O7. 對于多選題，可以限制LLM的輸出空間。比如，使用更詳細的說明或僅對邏輯回歸添加約束。（1）O8. 對于基于排序的任務(wù)（例如推薦），不直接輸出排序后的每個項目的完整文本，而是給未排序的項目分配代號（例如ABCD），并指示LLM直接輸出排序后的代號。（1）另外，研究者還提供了解決許多常見任務(wù)的prompt的具體示例。這些任務(wù)prompt大多來自現(xiàn)有的論文，實驗使用基于ChatGPT的提示。「復(fù)雜任務(wù)規(guī)劃」可以被總結(jié)為三個組件：任務(wù)計劃器、計劃執(zhí)行程序和環(huán)境。這種范式可以從三個方面來解釋：指令微調(diào)
團隊探討了在微調(diào)LLM中不同類型指令的影響，并測試了一些指令改進策略的有效性。以下是基于LLaMA-7B模型在聊天和問答設(shè)置下進行的指令調(diào)整實驗的結(jié)果（所有實驗均為單輪對話）。其中，采用的是Self-Instruct-52K數(shù)據(jù)集中，四種指令的改進策略，即增加復(fù)雜性（使用復(fù)雜性策略）、增加多樣性（使用多樣性策略）、平衡難度（使用難度策略）和增加指令數(shù)量（使用縮放策略）。能力評估
其中，橙色和藍色字體的色階分別表示閉源模型和開源模型的結(jié)果性能順序。
本站僅提供存儲服務(wù)，所有內(nèi)容均由用戶發(fā)布，如發(fā)現(xiàn)有害或侵權(quán)內(nèi)容，請
點擊舉報。
