上周轉(zhuǎn)發(fā)了符堯大佬拆解GPT3起源的文章，收到了很多好評(píng)，同時(shí)也讓我們開(kāi)始思考：

1. 是否只有大模型能訓(xùn)出ChatGPT？
2. 小模型+精調(diào) vs 大模型+提示詞，哪個(gè)更好？Prompt已經(jīng)火了一年多，然而真正在生產(chǎn)中應(yīng)用的還是少數(shù)，我們是否真的面臨范式轉(zhuǎn)變？
3. 如果真需要大模型，得多大？

正好的是，符堯在ChatGPT出來(lái)之前就寫過(guò)一篇深度分析大模型能力的文章，于是在我們的共同努力下把該文翻譯成了中文，希望可以解答大家對(duì)大模型的一些困惑。

英文原版：https://franxyao.github.io/blog.html

作者： 符堯 ，yao.fu@ed.ac.uk，愛(ài)丁堡大學(xué) (University of Edinburgh) 博士生，本科畢業(yè)于北京大學(xué)

與 Tushar Khot ，彭昊 在艾倫人工智能研究院 (Allen Institute for AI) 共同完成英文原稿

與 李如寐 （美團(tuán)NLP中心）共同翻譯為中文

感謝 Aristo teammates , Jingfeng Yang , 和 Yi Tay 的討論與建議。

請(qǐng)同時(shí)參考CoT ^[1]^ 團(tuán)隊(duì)的博客。

轉(zhuǎn)發(fā)請(qǐng)?jiān)谖恼碌拈_(kāi)頭標(biāo)明出處、作者，而不是在結(jié)尾列一行小字

正文

最近，人們對(duì)大型語(yǔ)言模型所展示的強(qiáng)大能力（例如思維鏈 ^[2]^ 、便簽本 ^[3]^ ）產(chǎn)生了極大的興趣，并開(kāi)展了許多工作。我們將之統(tǒng)稱為大模型的突現(xiàn)能力 ^[4]^ ，這些能力可能只存在于大型模型中，而不存在于較小的模型中，因此稱為“突現(xiàn)”。其中許多能力都非常令人印象深刻，比如復(fù)雜推理、知識(shí)推理和分布外魯棒性，我們將在后面詳細(xì)討論。值得注意的是，這些能力很接近 NLP 社區(qū)幾十年來(lái)一直尋求的能力，因此代表了一種潛在的研究范式轉(zhuǎn)變，即從微調(diào)小模型到使用大模型進(jìn)行上下文學(xué)習(xí)。對(duì)于先行者來(lái)說(shuō)，范式轉(zhuǎn)變可能是很顯然的。然而，出于科學(xué)的嚴(yán)謹(jǐn)性， 我們確實(shí)需要非常明確的理由來(lái)說(shuō)明為什么人們應(yīng)該轉(zhuǎn)向大型語(yǔ)言模型，即使這些模型昂貴、難以使用，并且效果可能一般 。在本文中，我們將仔細(xì)研究這些能力是什么，大型語(yǔ)言模型可以提供什么，以及它們?cè)诟鼜V泛的 NLP/ML 任務(wù)中的潛在優(yōu)勢(shì)是什么。

前提 ：我們假設(shè)讀者具備以下知識(shí)：

• 預(yù)訓(xùn)練、精調(diào)、提示（普通從業(yè)者應(yīng)具備的自然語(yǔ)言處理/深度學(xué)習(xí)能力）
• 思維鏈提示、便簽本（普通從業(yè)者可能不太了解，但不影響閱讀）

存在于大模型而非小模型的突現(xiàn)能力

圖片來(lái)自于 Wei. et. al. 2022. Chain-of-Thought Prompting Elicits Reasoning in Large Language Models。X軸為模型尺寸。GSM8K是是一個(gè)小學(xué)水平的數(shù)學(xué)問(wèn)題集。

在以上的效果圖中，我們可以觀察到模型的表現(xiàn)：

• 當(dāng)尺寸相對(duì)小的時(shí)候提升并不大
• 當(dāng)模型變大時(shí)有很明顯的提升

這從根本上說(shuō)明，某些能力可能不存在于小模型中，而是在大模型中獲得的。

有很多種突現(xiàn)能力，比如 Wei 等人在 2022年 ^[5]^ 所梳理的。有些能力很有意思，但我們?cè)诒疚牟粫?huì)討論，比如last latter concatenation，我們認(rèn)為這是Python而不是語(yǔ)言模型要做的任務(wù)；或者3位數(shù)加法，我們認(rèn)為這是計(jì)算器而不是語(yǔ)言模型要做的事。

在本文中，我們主要對(duì)以下能力感興趣：

1. NLP 社區(qū)近幾年都關(guān)注但還沒(méi)實(shí)現(xiàn)的能力
2. 之前的 NLP 模型很難達(dá)到的能力
3. 源自于人類語(yǔ)言最深層的本質(zhì)的能力
4. 可能達(dá)到人類智力的最高水平的能力

突現(xiàn)能力的三個(gè)典型例子

很多有意思的能力都可以歸到上文提到的類別里，在它們之中，我們主要討論以下三種典型能力：

• 復(fù)雜推理
• 知識(shí)推理
• 分布外魯棒性

接下來(lái)讓我們一個(gè)個(gè)詳細(xì)討論。

復(fù)雜推理

下面是一個(gè)GSM8K數(shù)據(jù)集中，用提示詞顯著超過(guò)精調(diào)的例子：

問(wèn)題：
克萊兒每天早飯都用 3 顆蛋做蛋卷，她 4 周會(huì)吃掉多少打雞蛋？

克萊兒每天早飯都用3顆蛋做蛋卷。
一周有 7 天。
所以她一周會(huì)吃 3 * 7 = 21 顆蛋。
她4周會(huì)吃掉 4 * 21 = 84 顆蛋。
一打里面是 12 顆蛋。
所以 84 / 12 = 7。

答案是7。

雖然這道題對(duì)于10歲的孩子來(lái)說(shuō)很容易，但對(duì)語(yǔ)言模型來(lái)說(shuō)卻很難，主要是由于數(shù)學(xué)和語(yǔ)言混合在一起。

GSM8K 最初由 OpenAI 于 2021 年 10 月 ^[6]^ 提出。當(dāng)時(shí)他們用第一版GPT3在全部訓(xùn)練集上進(jìn)行了精調(diào)，準(zhǔn)確率約為 35% 。這個(gè)結(jié)果讓作者相當(dāng)悲觀，因?yàn)樗麄兊慕Y(jié)果顯示了語(yǔ)言模型的縮放規(guī)律：隨著模型大小呈指數(shù)增長(zhǎng)，性能呈線性增長(zhǎng)（我之后會(huì)討論）。因此，他們?cè)诘?4.1 節(jié)中思考：

“175B 模型似乎需要至少額外兩個(gè)數(shù)量級(jí)的訓(xùn)練數(shù)據(jù)才能達(dá)到 80% 的求解率。 ”

三個(gè)月后，即 2022 年 1 月，Wei 等人 ^[7]^ 基于 540B PaLM 模型，僅使用了8個(gè)思維鏈提示示例便將準(zhǔn)確率提高到56.6% （無(wú)需將訓(xùn)練集增加兩個(gè)數(shù)量級(jí)）。之后在 2022 年 3 月 ，Wang 等人 ^[8]^ 基于相同的 540B PaLM 模型，通過(guò)多數(shù)投票的方法將準(zhǔn)確率提高到 74.4% 。當(dāng)前的 SOTA 來(lái)自我自己在 AI2 的工作（Fu et. al. Nov 2022 ^[9]^ ），我們通過(guò)使用復(fù)雜的思維鏈在 175B Codex 上實(shí)現(xiàn)了 82.9% 的準(zhǔn)確率。從以上進(jìn)展可以看到，技術(shù)進(jìn)步確實(shí)呈指數(shù)級(jí)增長(zhǎng)。

思維鏈提示是一個(gè)展示模型隨著規(guī)模突現(xiàn)出能力的典型例子：

• 從突現(xiàn)能力來(lái)看 ：盡管不需要 17500B，但模型大小確實(shí)要大于 100B ，才能使思維鏈的效果大于的僅有回答提示。所以這種能力只存在于大型模型中。
• 從 效果來(lái)看 ：思想鏈提示的性能明顯優(yōu)于其之前的精調(diào)方法（目前還沒(méi)有能公平對(duì)比提示詞和微調(diào)的工作。但當(dāng)思維鏈被提出的時(shí)候，盡管他們對(duì)于提示和精調(diào)的比較可能是不公平的，但確實(shí)比精調(diào)效果要好）。
• 從標(biāo)注效率上來(lái)看 ：思維鏈提示只需要 8 個(gè)示例的注釋，而微調(diào)需要完整的訓(xùn)練集。

有些同學(xué)可能會(huì)認(rèn)為模型能做小學(xué)數(shù)學(xué)代表不了什么（從某種意義上說(shuō)，他們確實(shí)沒(méi)有那么酷）。但 GSM8K 只是一個(gè)開(kāi)始，最近的工作已經(jīng)把前沿問(wèn)題推向了高中 ^[10]^ 、大學(xué) ^[11]^ ，甚至是國(guó)際數(shù)學(xué)奧林匹克問(wèn)題 ^[12]^ 。現(xiàn)在更酷了嗎？

知識(shí)推理

下一個(gè)例子是需要知識(shí)的推理能力（例如問(wèn)答和常識(shí)推理）。在這種情況下， 對(duì)大型模型進(jìn)行提示不一定優(yōu)于精調(diào)小型模型 （哪個(gè)模型更好還有待觀察）。但是 這個(gè)情況下的注釋效率被放大了 ，因?yàn)椋?/p>

• 在許多數(shù)據(jù)集中，為了獲得所需的背景/常識(shí)知識(shí)，（以前很小的）模型需要一個(gè)外部語(yǔ)料庫(kù)/知識(shí)圖譜來(lái)檢索 ^[13]^ ，或者需要通過(guò)多任務(wù)學(xué)習(xí)在增強(qiáng) ^[14]^ 的數(shù)據(jù)上進(jìn)行訓(xùn)練
• 對(duì)于大型語(yǔ)言模型，可以直接去掉檢索器 ^[15]^ ，僅依賴模型的內(nèi)部知識(shí) ^[16]^ ，且無(wú)需精調(diào)

圖片來(lái)自于 Yu et. al. 2022. 以前的 SOTA 模型需要從外部知識(shí)源中檢索。GPT-3 的性能與以前的模型相當(dāng)/優(yōu)于以前的模型，且無(wú)需檢索。

如表中所示，與數(shù)學(xué)題的例子不同，GPT-3 并沒(méi)有明顯優(yōu)于之前的精調(diào)模型。但它不需要從外部文檔中檢索，本身就包含了知識(shí)（雖然這些知識(shí)可能過(guò)時(shí)或者不可信，但選擇哪種可信知識(shí)源超出了本文的討論范圍）。

為了理解這些結(jié)果的重要性，我們可以回顧一下歷史：NLP 社區(qū)從一開(kāi)始就面臨著如何有效編碼知識(shí)的挑戰(zhàn)。人們一直在不斷探究把知識(shí)保存在模型外部或者內(nèi)部的方法。上世紀(jì)九十年代以來(lái)，人們一直試圖將語(yǔ)言和世界的規(guī)則記錄到一個(gè)巨大的圖書館中，將知識(shí)存儲(chǔ)在模型之外。但這是十分困難的，畢竟我們無(wú)法窮舉所有規(guī)則。因此，研究人員開(kāi)始構(gòu)建特定領(lǐng)域的知識(shí)庫(kù)，來(lái)存儲(chǔ)非結(jié)構(gòu)化文本、半結(jié)構(gòu)化（如維基百科）或完全結(jié)構(gòu)化（如知識(shí)圖譜）等形式的知識(shí)。通常， 結(jié)構(gòu)化知識(shí)很難構(gòu)建 （因?yàn)橐O(shè)計(jì)知識(shí)的結(jié)構(gòu)體系）， 但易于推理 （因?yàn)橛畜w系結(jié)構(gòu)）， 非結(jié)構(gòu)化知識(shí)易于構(gòu)建 （直接存起來(lái)就行）， 但很難用于推理 （沒(méi)有體系結(jié)構(gòu)）。然而，語(yǔ)言模型提供了一種新的方法，可以輕松地從非結(jié)構(gòu)化文本中提取知識(shí)，并在不需要預(yù)定義模式的情況下有效地根據(jù)知識(shí)進(jìn)行推理。下表為優(yōu)缺點(diǎn)對(duì)比：

分布外魯棒性

我們討論的第三種能力是分布外的魯棒性。在 2018 年至 2022 年期間，NLP、CV 和通用機(jī)器學(xué)習(xí)領(lǐng)域有大量關(guān)于分布偏移/對(duì)抗魯棒性/組合生成的研究，人們發(fā)現(xiàn)當(dāng)測(cè)試集分布與訓(xùn)練分布不同時(shí)，模型的行為性能可能會(huì)顯著下降。然而，在大型語(yǔ)言模型的上下文學(xué)習(xí)中似乎并非如此。Si 等人在2022年的研究顯示 ^[17]^ ：

數(shù)據(jù)來(lái)自于 Si et. al. 2022. 雖然 GPT-3 在同分布設(shè)置下比 RoBERTa 要差，但在非同分布設(shè)置下優(yōu)于 RoBERTa，性能下降明顯更小。

同樣，在此實(shí)驗(yàn)中，同分布情況下基于提示詞的 GPT-3 的效果并沒(méi)有精調(diào)后的 RoBERTa要好。但它在三個(gè)其他分布（領(lǐng)域切換、噪聲和對(duì)抗性擾動(dòng)）中優(yōu)于 RoBERTa，這意味著 GPT3 更加魯棒。

此外，即使存在分布偏移，好的提示詞所帶來(lái)的泛化性能依舊會(huì)繼續(xù)保持。比如：

圖片來(lái)自于 Fu et. al. 2022. 即使測(cè)試分布與訓(xùn)練分布不同，復(fù)雜提示也始終比簡(jiǎn)單提示的表現(xiàn)更好。

Fu 等人2022年 ^[18]^ 的研究顯示，輸入提示越復(fù)雜，模型的性能就越好。這種趨勢(shì)在分布轉(zhuǎn)移的情況下也會(huì)繼續(xù)保持：無(wú)論測(cè)試分布與原分布不同、來(lái)自于噪聲分布，或者是從另一個(gè)分布轉(zhuǎn)移而來(lái)的，復(fù)雜提示始終優(yōu)于簡(jiǎn)單提示。

到目前為止的總結(jié)

在上文中，我討論了只有大型模型才有的三種突現(xiàn)能力。它們是：

• 復(fù)雜推理，大型模型在沒(méi)有使用全部訓(xùn)練數(shù)據(jù)的情況下便顯著優(yōu)于以前的小型模型。
• 知識(shí)推理，大型模型可能沒(méi)有小模型效果好，但大模型不需要額外的知識(shí)來(lái)源（知識(shí)可能很昂貴，或者很難從非結(jié)構(gòu)化數(shù)據(jù)中抽取）。
• 分布外魯棒性，這是之前進(jìn)行模型精調(diào)時(shí)需要努力解決的問(wèn)題。大型模型雖然在同分布情況下的效果不如以前的方法，但非同分布情況下的泛化性能卻好得多。

突現(xiàn)能力推翻比例定律

鑒于上文列出的優(yōu)點(diǎn)，大家可能會(huì)開(kāi)始覺(jué)得大型語(yǔ)言模型確實(shí)很好了。在進(jìn)一步討論之前，讓我們?cè)倩仡櫼幌轮暗墓ぷ鳎蜁?huì)發(fā)現(xiàn)一個(gè)很奇怪的問(wèn)題： GPT-3 在 2020 年就發(fā)布了，但為什么直到現(xiàn)在我們才發(fā)現(xiàn)并開(kāi)始思考范式的轉(zhuǎn)變 ？

這個(gè)問(wèn)題的答案就藏在兩種曲線中：對(duì)數(shù)線性曲線和相變曲線。如下圖：

左圖: 比例定律. 當(dāng)模型大小呈指數(shù)增長(zhǎng)時(shí)，相應(yīng)的模型性能呈線性增長(zhǎng)。右圖: 當(dāng)模型尺寸達(dá)到一定規(guī)模時(shí)，會(huì)出現(xiàn)突現(xiàn)能力，讓性能急劇增加。

最初，（OpenAI）的研究者認(rèn)為語(yǔ)言模型的性能與模型尺寸的關(guān)系可以通過(guò)對(duì)數(shù)線性曲線預(yù)測(cè)，即模型尺寸呈指數(shù)增長(zhǎng)時(shí)，性能會(huì)隨之線性增加。這種現(xiàn)象被稱為語(yǔ)言模型的縮放定律，正如 Kaplan 等人在2020年 ^[19]^ 最初的GPT3文章 ^[20]^ 中討論的那樣。重要的是，在那個(gè)階段，即便最大的 GPT-3 在有提示的情況下也不能勝過(guò)小模型精調(diào)。所以當(dāng)時(shí)并沒(méi)有必要去使用昂貴的大模型（即使提示詞的標(biāo)注效率很高）。直到2021年，Cobbe 等人 ^[21]^ 發(fā)現(xiàn)縮放定律同樣適用于精調(diào)。這是一個(gè)有點(diǎn)悲觀的發(fā)現(xiàn)，因?yàn)樗馕吨?我們可能被鎖定在模型規(guī)模上 ——雖然模型架構(gòu)優(yōu)化可能會(huì)在一定程度上提高模型性能，但效果仍會(huì)被鎖定在一個(gè)區(qū)間內(nèi)（對(duì)應(yīng)模型規(guī)模），很難有更顯著的突破。

在縮放定律的掌控下（2020年到2021），由于GPT-3無(wú)法勝過(guò)精調(diào) T5-11B，同時(shí)T5-11B微調(diào)已經(jīng)很麻煩了，所以NLP社區(qū)的關(guān)注點(diǎn)更多的是研究更小的模型或者高效參數(shù)適應(yīng)。Prefix tuning ^[22]^ 就是提示和適應(yīng)交叉的一個(gè)例子，后來(lái)由 He 等人在 2021 ^[23]^ 統(tǒng)一。當(dāng)時(shí)的邏輯很簡(jiǎn)單：如果精調(diào)效果更好，我們就應(yīng)該在高效參數(shù)適應(yīng)上多下功夫；如果提示詞的方法更好，我們應(yīng)該在訓(xùn)練大型語(yǔ)言模型上投入更多精力。

之后在 2022 年 1 月，思維鏈的工作被放出來(lái)了。正如作者所展示的那樣，思維鏈提示在性能-比例曲線中表現(xiàn)出明顯的 相變 。當(dāng)模型尺寸足夠大時(shí)，性能會(huì)顯著提高并明顯超越比例曲線。

當(dāng)使用思維鏈進(jìn)行提示時(shí)，大模型在復(fù)雜推理上的表現(xiàn)明顯優(yōu)于微調(diào)，在知識(shí)推理上的表現(xiàn)也很有競(jìng)爭(zhēng)力，并且分布魯棒性也存在一定的潛力。要達(dá)到這樣的效果只需要8個(gè)左右的示例，這就是為什么范式可能會(huì)轉(zhuǎn)變的原因。

范式轉(zhuǎn)變意味著什么？

范式轉(zhuǎn)變究竟意味著什么？下面我們給出精調(diào)和提示詞方法的對(duì)比：

提示詞的好處很明顯：我們不再需要繁瑣的數(shù)據(jù)標(biāo)注和在全量數(shù)據(jù)上進(jìn)行精調(diào)，只需要編寫提示詞并獲得滿足要求的結(jié)果，這比精調(diào)要快很多。

另外要注意的兩點(diǎn)是：

上下文學(xué)習(xí)是監(jiān)督學(xué)習(xí)嗎？

• 坦白講，我不確定。
• 相似之處在于，上下文學(xué)習(xí)也需要像訓(xùn)練數(shù)據(jù)一樣的示例
• 不同之處在于，上下文學(xué)習(xí)的泛化行為并不同于監(jiān)督學(xué)習(xí)，這使得之前的泛化理論（例如 Rademancher Complexity 或 Neural Tangent Kernel）均不適用。

上下文學(xué)習(xí)真的比監(jiān)督學(xué)習(xí)效果要好嗎？

• 答案還未知。
• 大多數(shù)提示詞和精調(diào)的對(duì)比都只比了 提示詞+大模型 vs 精調(diào)+小模型，但公平的對(duì)比應(yīng)該是 提示詞+大模型 vs 精調(diào)+大模型，且對(duì)比時(shí)的基座模型應(yīng)該一樣。所以在最初的思維鏈文章中，如果 Wei 等人要說(shuō)明提示詞好于精調(diào)，他們應(yīng)該對(duì)比精調(diào)后的PaLM，而不是GPT3。
• 我的假設(shè)是：精調(diào)可以提高分布內(nèi)的性能，但會(huì)損害分布外的魯棒性。提示詞在分布變化的場(chǎng)景中表現(xiàn)更好，但在同分布場(chǎng)景下不如精調(diào)。
  • 如果假設(shè)是真的，那么一個(gè)值得研究的問(wèn)題就是如何在不犧牲其上下文學(xué)習(xí)能力的情況下進(jìn)行精調(diào)
  • 注意分布外精調(diào)的效果同樣會(huì)隨著模型尺寸變化 。比如 Yang 等人在2022年的工作中，第四張表就顯示，Bart-based的分布外泛化能力會(huì)下降，但Bart-large則提升。對(duì)于大模型，當(dāng)測(cè)試集的分布和訓(xùn)練集相差不大時(shí)，同分布的精調(diào)效果也應(yīng)該會(huì)提升。

再回顧一下前文提到的的邏輯：如果精調(diào)更好，我們應(yīng)該努力研究如何進(jìn)行參數(shù)高效的優(yōu)化；如果提示詞更好，我們應(yīng)該努力去訓(xùn)練更好的大型語(yǔ)言模型。

所以，盡管我們相信大型語(yǔ)言模型有巨大的潛力，仍然沒(méi)有確鑿的證據(jù)表明精調(diào)和提示詞哪種方法更好，因此我們不確定范式是否真的應(yīng)該轉(zhuǎn)變、或應(yīng)該轉(zhuǎn)變到什么程度。仔細(xì)比較這兩種范式，使我們對(duì)未來(lái)有一個(gè)清晰的認(rèn)識(shí)，是非常有意義的。我們將更多討論留到下一篇文章。

模型應(yīng)該多大才夠？

兩個(gè)數(shù)字：62B 和 175B。

• 模型至少需要62B，使思維鏈的效果才能大于標(biāo)準(zhǔn)的提示詞方法。
• 模型至少需要175B（GPT3的尺寸），思維鏈的效果才能大于精調(diào)小模型（T5 11B）的效果。

62B這個(gè)數(shù)字來(lái)自于 Chung 等人 2022 年工作的第五張表 ^[24]^ ：

對(duì)于所有小于62B的模型，直接用提示詞都好于思維鏈 。第一個(gè)用思維鏈更好的模型是 Flan-cont-PaLM 62B 在BBH上的結(jié)果。540B的模型使用思維鏈會(huì)在更多任務(wù)上得到好的效果，但也不是全部任務(wù)都好于精調(diào)。另外，理想的尺寸可以小于 540B，在 Suzgun 等人2022年 ^[25]^ 的工作中，作者展示了175B的 InstructGPT 和 175B的 Codex 使用思維鏈都好于直接用提示詞。綜合以上結(jié)果，我們得到了63B和175B兩個(gè)數(shù)字。所以，如果想要參與這場(chǎng)游戲，首先要有一個(gè)大于平均尺寸的模型。

不過(guò)，還有其他大型模型在思維鏈下的表現(xiàn)差了很多，甚至不能學(xué)到思維鏈，比如 OPT、BLOOM 和 GPT-3 的第一個(gè)版本。他們的尺寸都是175B。這就引出了我們下一個(gè)要討論的問(wèn)題。

規(guī)模是唯一的因素嗎？

不是。

規(guī)模是一個(gè)必要但不充分的因素。有些模型足夠大（比如 OPT 和 BLOOM，都是 175B），但并不能做思維鏈。

有兩種模型可以做思維鏈 (TODO: add discussions about UL2):

• GPT3系列的模型，包括 text-davinci-002 和 code-davinci-002 (Codex)。 這是僅有的兩個(gè)具有強(qiáng)大突現(xiàn)能力并可公開(kāi)訪問(wèn)的模型 。
  • 除了以上兩個(gè)模型，其他GPT3模型，包括原來(lái)的GPT3，text-davinci-001，以及其他更小的GPT-3模型，都不能做思維鏈。
  • 當(dāng)說(shuō)“能做思維鏈”時(shí)，我們是指使用思維鏈方法的效果比直接用提示詞、精調(diào)T5-11B效果更好。
  • 另外要注意的是，code-davinci-002 在語(yǔ)言任務(wù)上的性能始終優(yōu)于 text-davinci-002。這個(gè)觀察非常有趣且耐人尋味。這表明 基于代碼數(shù)據(jù)訓(xùn)練的語(yǔ)言模型可以勝過(guò)根據(jù)語(yǔ)言訓(xùn)練的語(yǔ)言模型 。目前為止我們還不知道是為什么。
• PaLM系列模型，包括 PaLM、U-PaLM、Flan-PaLM 和 Minerva。這些模型目前還未開(kāi)放訪問(wèn)（此處@谷歌，快開(kāi)源吧）。

為什么會(huì)有突現(xiàn)能力目前還不清楚，但我們找出了一下可能產(chǎn)生突現(xiàn)能力的因素：

• 指令精調(diào)：GPT-3 text-davinci-002 就是用指令+強(qiáng)化學(xué)習(xí)精調(diào) ^[26]^ 的產(chǎn)物。在這之前，text-davinci-001 做思維鏈的效果并不好。同時(shí)PaLM ^[27]^ 在經(jīng)過(guò)指令精調(diào) ^[28]^ 后的效果也有提升。
• 在代碼上精調(diào)：Codex code-davinci-002 是在代碼上進(jìn)行精調(diào)的，它的效果持續(xù)好于 text-davinci-002。PaLM 也在代碼上進(jìn)行了調(diào)整。從表面上看，代碼與語(yǔ)言關(guān)系不大，但似乎起了很大作用，我們會(huì)在之后的文章進(jìn)行討論。
• 用思維鏈精調(diào)：在 text-davinci-002 發(fā)布時(shí)，谷歌已經(jīng)發(fā)布 PaLM 3 個(gè)月了。所以 OpenAI 應(yīng)該看到了思維鏈相關(guān)的工作。還有一些工作表明^[29]^ ^[30]^ ，直接用思維鏈數(shù)據(jù)進(jìn)行精調(diào)可以激發(fā)模型的思維鏈能力。

然而，所有這些因素在現(xiàn)階段都是推測(cè)。揭示如何訓(xùn)練才能讓模型產(chǎn)生突現(xiàn)能力是非常有意義的，我們將更多討論留到下一篇文章

總結(jié)

在本文中，我們仔細(xì)研究了語(yǔ)言模型的突現(xiàn)能力。我們強(qiáng)調(diào)了復(fù)雜推理、知識(shí)推理和分布外魯棒性的重要性和其中存在的機(jī)會(huì)。突現(xiàn)能力是非常令人興奮的，因?yàn)樗鼈兛梢猿奖壤桑⒃诒壤€中表現(xiàn)出相變。我們?cè)敿?xì)討論了研究范式是否會(huì)真的從精調(diào)轉(zhuǎn)向上下文學(xué)習(xí)，但我們目前還沒(méi)有確切答案，因?yàn)榫{(diào)和上下文學(xué)習(xí)在分布內(nèi)、分布外場(chǎng)景下的效果仍有待對(duì)比。最后，我們討論了產(chǎn)生突現(xiàn)能力的三個(gè)潛在因素：指令精調(diào)、代碼精調(diào)和思維鏈精調(diào)。非常歡迎大家提出建議和討論。

另外我們還提到了兩個(gè)尚未討論的有趣問(wèn)題：

• 我們是否能公平對(duì)比精調(diào)和上下文學(xué)習(xí)的效果？
• 我們是如何訓(xùn)練大模型，才能讓模型具備突現(xiàn)能力、思維鏈能力？

對(duì)于這兩個(gè)問(wèn)題，我們會(huì)在之后的文章中進(jìn)行討論。

中英對(duì)照表

參考資料

[1]https://www.yitay.net/blog/emergence-and-scaling: https://www.jasonwei.net/blog/emergence

[2]Wei et. al. 2022. Chain of Thought Prompting Elicits Reasoning in Large Language Models: https://arxiv.org/abs/2201.11903

[3]便簽本: https://lingo.csail.mit.edu/blog/arithmetic_gpt3/

[4]Wei et. al. 2022. Emergent Abilities of Large Language Models: https://arxiv.org/abs/2206.07682

[5]Wei et. al. 2022. Emergent Abilities of Large Language Models: https://arxiv.org/abs/2206.07682

[6]Cobbe et. al. 2021. Training Verifiers to Solve Math Word Problems: https://arxiv.org/abs/2110.14168

[7]Wei et. al. 2022. Chain of Thought Prompting Elicits Reasoning in Large Language Models: https://arxiv.org/abs/2201.11903

[8]Wang et. al. 2022. Self-Consistency Improves Chain of Thought Reasoning in Language Models: https://arxiv.org/abs/2203.11171

[9]Fu et. al. 2022. Complexity-Based Prompting for Multi-step Reasoning: https://arxiv.org/abs/2210.00720

[10]Chung et. al. 2022. Scaling Instruction-Finetuned Language Models: https://arxiv.org/abs/2210.11416

[11]Lewkowycz et. al. 2022. Minerva: Solving Quantitative Reasoning Problems with Language Models: https://arxiv.org/abs/2206.14858

[12]Jiang et. al. 2022. Draft, Sketch, and Prove: Guiding Formal Theorem Provers with Informal Proofs: https://arxiv.org/abs/2210.12283

[13]Xu et. al. 2021. Fusing Context Into Knowledge Graph for Commonsense Question Answering: https://aclanthology.org/2021.findings-acl.102.pdf

[14]Khashabi et. al. 2020. UnifiedQA: Crossing Format Boundaries With a Single QA System: https://aclanthology.org/2020.findings-emnlp.171

[15]Yu et. al. 2022. Generate rather than Retrieve: Large Language Models are Strong Context Generators: http://arxiv.org/abs/2209.10063

[16]Jung et. al. 2022. Maieutic Prompting: Logically Consistent Reasoning with Recursive Explanations: https://arxiv.org/abs/2205.11822

[17]Si et. al. 2022. Prompting GPT-3 to be Reliable. : https://arxiv.org/abs/2210.09150

[18]Fu et. al. 2022. Complexity-based Prompting for Multi-Step Reasoning: https://arxiv.org/abs/2210.00720

[19]Kaplan et. al. 2020. Scaling Laws for Neural Language Models: https://arxiv.org/abs/2001.08361

[20]Brown et. al. 2020. Language Models are Few-Shot Learners.: https://arxiv.org/abs/2005.14165

[21]Cobbe et. al. 2021. Training Verifiers to Solve Math Word Problems: https://arxiv.org/abs/2110.14168

[22]Li and Liang. 2021. Prefix-Tuning: Optimizing Continuous Prompts for Generation: https://aclanthology.org/2021.acl-long.353.pdf

[23]He et. al. 2021. Towards a Unified View of Parameter-Efficient Transfer Learning: https://arxiv.org/abs/2110.04366

[24]Chung et. al. 2022. Scaling Instruction-Finetuned Language Models: https://arxiv.org/abs/2210.11416

[25]Suzgun et. al. 2022. Challenging BIG-Bench tasks and whether chain-of-thought can solve them: https://arxiv.org/abs/2210.09261

[26]Ouyang et. al. 2022. Training language models to follow instructions with human feedback: https://arxiv.org/abs/2203.02155

[27]Chowdhery et. al. 2022. PaLM: Scaling Language Modeling with Pathways: https://arxiv.org/abs/2204.02311

[28]Chung. et. al. 2022. Scaling Instruction-Finetuned Language Models: https://arxiv.org/abs/2210.11416

[29]Huang et. al. 2022. Large Language Models Can Self-Improve: https://arxiv.org/abs/2210.11610

[30]Chung. et. al. 2022. Scaling Instruction-Finetuned Language Models: https://arxiv.org/abs/2210.11416