三种大模型的横向比较分析发现,大模型最终的优异表现依赖于模型规模的突破。
通过比较不同规模的大模型,分析发现大模型的强大生成能力主要源自模型的参数量级的飞跃。尽管方法论上大同小异,但参数量的指数级增长是实现质的飞跃的关键所在。“大力出奇迹”可以说是大模型取得辉煌成就的最本质原因。模型越大,所包含的知识量和拟合复杂分布的能力就越强，也就能产生越逼真的生成结果。
文心一言
文字理解回答能力
海报设计
假如你是一名海报设计师，需要给浦发银行设计一个宣传海报。
浦发银行要举办 2023上海半程马拉松，活动时间：2023年3月9日到2023年3月31日；活动内容：
活动期间在上马APP或官网，通过支付宝绑定浦发银行借记卡支付报名费，可享受立减60元优惠
社会关系推理
小明的爸爸妈妈结婚，没有邀请小明，小明会生气么？
讯飞星火
海报设计
假如你是一名海报设计师，需要给浦发银行设计一个宣传海报。
浦发银行要举办 2023上海半程马拉松，活动时间：2023年3月9日到2023年3月31日；活动内容：
活动期间在上马APP或官网，通过支付宝绑定浦发银行借记卡支付报名费，可享受立减60元优惠
社会关系推理小明的爸爸妈妈结婚，没有邀请小明，小明会生气么？
ChatGPT
小明的爸爸妈妈结婚，没有邀请小明，小明会生气么？
BERT大模型原理
• 2018年，Google推出了Bert 模型，碾压了以往的所有模型，在各种NLP的建模任务中取得了最佳的成绩 => NLP 领域步入 LLM 时代。
BERT采用完形填空作为预训练：
空格处填什么字，受到上下文影响Bert的预训练 就是从大规模的上亿文本预料中，随机Mask一部分字，形成上面的完形填空题。通过训练，让模型具备从大量的数据中学习复杂的上下文联系的能力。
ERNIE大模型原理
ERNIE 1.0的改进：
基于phrase (比如短语a series of等)的mask策略基于entity (比如人名，位置，组织，产品等名词比如Tsinghua University, J. K. Rowling)的mask 策略相比于BERT 基于字的mask，在ERNIE 当中，由多个字组成的phrase 或者entity 当成统一单元，统一被mask。这样可以潜在的学习到知识的依赖。
ERNIE 2.0
在ERNIE 2.0 中，提出了一个预训练框架，可以在大型数据集合中进行增量训练，即连续学习(Continual Learning)连续学习的目的是在一个模型中顺序训练多个不同的任务，这样可以在学习下个任务中，记住前一个学习任务学习到的结果。
使用连续学习 => 不断积累新的知识
ERNIE 3.0
知识增强的大规模预训练模型结合了自回归网络和自编码网络，这样训练出来的模型就可以通过zero-shot学习、few-shot学习或微调来处理自然语言理解和生成任务用100亿个参数对大规模知识增强模型进行预训练，并在自然语言理解和自然语言生成任务上进行了一系列的实验评估ERNIE 3.0在54项基准测试中以较大的优势胜过最先进的模型，并在SuperGLUE基准测试中取得了第一名。
ERNIE预训练模型：https://github.com/PaddlePaddle/ERNIE
GPT大模型原理
GPT 与 BERT的区别：
• Bert 使用 Encoder 编码器进行训练，适合文本理解
• GPT 使用 Decoder 解码器，更适合文本生成领域
GPT-1 略逊色于 Bert，当时Bert影响力更大
GPT-2 模型：
• Bert霸榜NLP之后，又有很多新模型推出，比如：ERNIE, ALBert, BART, XLNET, T5等。
• Bert预训练主要是完形填空，和预测下一个句子。后来很多模型增加了 多个预训练任务句子打乱顺序再排序、选择题、判断题、改错题、甚至把机器翻译、文本摘要、领域问答都放到了预训练任务中=> 模型类似人脑，多种任务：看新闻，听音乐，读古诗，写文章，做数学题等
GPT-3 模型：
- GPT-3模型参数量是1750亿，计算量是 bert-base的1000倍，在NLP多个任务中表现优秀，比如写SQL语句，JavaScript代码。
- GPT-3的训练覆盖了STEM、人文科学、社会科学、数学、历史、法律等57门学科。难度从初级到高级专业水平不等。在这个基础上1750亿参数的GPT-3模型达到了43.9%准确率，而130亿参数的模型只有25%的准确率
- Prompt引导学习的方式，在超大模型上有很好的效果：只需要给出one-shot 或者few-shot，模型就能照猫画虎地给出正确答案。
这里10多亿参数的大模型是不行的，1000亿以上参数的模型效果好。
我是独立开源软件开发者，SolidUI作者，对于新技术非常感兴趣，专注AI和数据领域，如果对我的文章内容感兴趣，请帮忙关注点赞收藏，谢谢！
