但有一件事讓人非常疑惑：19 年 T5 通過“調(diào)參”發(fā)現(xiàn)，設(shè)計(jì)預(yù)訓(xùn)練模型時，Encoder-Decoder 的模型結(jié)構(gòu) + MLM 任務(wù)，在下游任務(wù) finetune 效果是最好的。可是在 2202 年的當(dāng)下，主流的大模型用的都是僅 decoder 的模型結(jié)構(gòu)設(shè)計(jì)，比如 OpenAI 的 GPT 系列、Google 的 PaLM [1]、Deepmind 的 Chinchilla [2] 等等。這是為什么？難道這些大模型設(shè)計(jì)都有問題？
今天帶來一篇 Hugging Face 和 Google 的文章。這篇文章與 T5 在實(shí)驗(yàn)上的思路相似，通過大量對比設(shè)計(jì)，得到一個重磅結(jié)論：要是為了模型的 zero-shot 泛化能力，decoder 結(jié)構(gòu) + 語言模型任務(wù)最好；要是再 multitask finetuning，encoder-decoder 結(jié)構(gòu) + MLM 任務(wù)最好。
除了找到最好的訓(xùn)練方式，作者通過大量的實(shí)驗(yàn)，還找到了最好的同時還能最節(jié)省成本的訓(xùn)練方式。訓(xùn)練計(jì)算量只需要九分之一！

論文題目:
What Language Model Architecture and Pretraining Objective Work Best for Zero-Shot Generalization?

論文鏈接:
https://arxiv.org/abs/2204.05832

模型設(shè)計(jì)

模型設(shè)計(jì)可以分成圖中的四個方面，即選什么結(jié)構(gòu)？什么訓(xùn)練目標(biāo)？要不要搞 adaptation？multitask finetuning？文章還在兩個 benchmark 進(jìn)行了評測。

模型結(jié)構(gòu)都基于 transformer，有三個選項(xiàng)，如圖所示：

1. Causal decoder-only (CD)：直接只用 transformer decoder。這類模型大多使用語言模型的訓(xùn)練目標(biāo)，即通過上文預(yù)測當(dāng)前 token。代表作有 GPT 系列。
2. Non-causal decoder-only (ND)：為了能在給定條件下生成或基于輸入生成，訓(xùn)練時可以讓前面一部分 token 可見。
3. Encoder-decoder (ED)：這就是原始 transformer 的結(jié)構(gòu)，輸入一個序列，encoder 輸出同樣長度的向量表示序列，decoder 基于 encoder 的輸出做有條件的自回歸生成。

小結(jié)一下，CD 是只用 decoder，ND 是給提示的 decoder，ED 是 encoder-decoder。后面將用縮寫表示。

與模型結(jié)構(gòu)對應(yīng)，訓(xùn)練目標(biāo)也有三種：

1. Full language modeling (FLM)：CD 類的模型架構(gòu)常用 FLM，通過上文預(yù)測當(dāng)前 token。在訓(xùn)練時，每個 token 可以并行計(jì)算出 loss，預(yù)測時要迭代預(yù)測。
2. Prefix language modeling (PLM)：ND 類和 ED 類的模型架構(gòu)可以用 PLM。首先在 attention 矩陣中定義一段 prefix，訓(xùn)練時要求模型生成 prefix 后面的 tokens。
3. Masked language modeling (MLM)：只用 Encoder 的模型常用 MLM 目標(biāo)。后來在 T5 這個 seq2seq 模型里，也使用了整段 mask 的 MLM 任務(wù)。

小結(jié)一下，F(xiàn)LM 就是語言模型目標(biāo)，PLM 是帶提示的語言模型目標(biāo)，MLM 是掩碼目標(biāo)。后面也會用縮寫表示。

適應(yīng)任務(wù)是預(yù)訓(xùn)練之后，換一個新的訓(xùn)練目標(biāo)，繼續(xù)訓(xùn)練。與 finetune 不同的是，適應(yīng)的過程并沒有使用新的下游任務(wù)的數(shù)據(jù)，只是繼續(xù)使用預(yù)訓(xùn)練的數(shù)據(jù)。適應(yīng)任務(wù)也可以分成兩類。

1. Language modeling adaptation (LM-A)：預(yù)訓(xùn)練用 MLM，后面再用 PLM 或 FLM 繼續(xù)訓(xùn)練。MLM + FLM 就是 T5 采用的方式，而 MLM + PLM，就是之前非常火的連續(xù)化 prompt-tuning 的方法，比如 prefix-tuning 等等。
2. Non-causal MLM adaptation (NC-A) ：預(yù)訓(xùn)練用的是 PLM，后面再用 FLM 繼續(xù)訓(xùn)練。這個方法是本文首次提出的，給 decoder 前面一部分 prefix 固定住，用 PLM 目標(biāo)訓(xùn)練，相當(dāng)于給 GPT 做 prefix-tuning。

多任務(wù)微調(diào) multitask finetuning (MT-F) 是 Hugging Face 去年年底的工作 [3]，即拿到預(yù)訓(xùn)練模型，給他在 171 個任務(wù)上用 prompt 的方式同時 finetune。這種方式可以極大地增加預(yù)訓(xùn)練模型的 zero-shot 能力。
實(shí)驗(yàn)和結(jié)論

這篇文章用了兩個 benchmark：

1. EleutherAI LM Evaluation Harness (EAI-Eval)：這個任務(wù)是用來評測語言模型（也就是本文中使用 FLM 訓(xùn)練目標(biāo)的模型）的 zero-shot 能力。
2. T0 的測試集 (T0-Eval)：就是 Hugging Face 之前 multitask finetuning 工作使用的測試集。

這兩個測試集都是用 prompt 的方式進(jìn)行測試，即直接構(gòu)建 prompt 輸入給預(yù)訓(xùn)練模型，讓模型生成預(yù)測結(jié)果。兩個測試集不同的地方在于，EAI-Eval 的每個任務(wù)只給了一個 prompt，因此評測受 prompt 波動影響比較大，因此在本文的測試?yán)铮髡邆優(yōu)槊總€任務(wù)多設(shè)計(jì)了一些 prompts，來消除隨機(jī)性。

實(shí)驗(yàn)得到如下結(jié)論：

1. 只無監(jiān)督預(yù)訓(xùn)練時：
   

CD 的模型結(jié)構(gòu) + FLM 訓(xùn)練目標(biāo) = zero shot 最好的模型。

這里就跟現(xiàn)在的大模型對上了。大模型都用的是這個組合，有最好的零樣本泛化能力。

1. 預(yù)訓(xùn)練之后再加上多任務(wù)微調(diào)時：

ED 的模型結(jié)構(gòu) + MLM 訓(xùn)練目標(biāo) = zero shot 最好的模型。

這張圖左右表示兩個評測集。每張圖上都有九個點(diǎn)，代表九個模型架構(gòu)和訓(xùn)練目標(biāo)的組合。左邊 T0-Eval 上結(jié)果非常明顯：可以將九個組合分成三組，左邊是幾個 baseline，中間是三種模型結(jié)構(gòu) + 語言模型訓(xùn)練目標(biāo)，右邊是三種模型結(jié)構(gòu) + MLM 訓(xùn)練目標(biāo)。可以明顯看到，MLM 訓(xùn)練目標(biāo)明顯更好，MLM + ED 最好。

1. 適應(yīng)任務(wù)的作用：

預(yù)訓(xùn)練之后，換一個新的訓(xùn)練目標(biāo)，繼續(xù)訓(xùn)練，這帶來的主要是訓(xùn)練成本的降低。比如左圖，本身我們想要一個 CD + FLM 的結(jié)合，那就先訓(xùn)一個 ND + MLM，然后改成 CD + FLM 再做適應(yīng)任務(wù)，這樣可以總體提速 1.6 倍。
經(jīng)過一系列實(shí)驗(yàn)，作者最后總結(jié)出一個結(jié)論：如果想最低成本的構(gòu)建效果好的大模型，那就用 CD + FLM 預(yù)訓(xùn)練，然后再改用 ND + MLM 做適應(yīng)任務(wù)，最后再使用多任務(wù)微調(diào)。這樣的訓(xùn)練方式要比直接訓(xùn)練提速 9.1 倍，同時效果最好。
總結(jié)
這篇文章跟 T5 非常像，也是用調(diào)參的感覺在設(shè)計(jì)實(shí)驗(yàn)，最終找到最好的模型設(shè)計(jì)和訓(xùn)練方式。這樣的論文讀下來也感覺邏輯清晰嚴(yán)謹(jǐn)。
但是從另外一個角度想，這樣的文章似乎也有些無聊：現(xiàn)在大模型的使用，變成了找 prompt 的特征工程。這篇文章的訓(xùn)練和設(shè)計(jì)也變成了調(diào)參，而失去了創(chuàng)新的靈機(jī)一動。這可能代表了大模型領(lǐng)域的內(nèi)卷吧。
參考文獻(xiàn)：

[1] Aakanksha Chowdhery, et. el., "Palm: Scaling language modeling with pathways.", https://arxiv.org/abs/2204.02311

*博客內(nèi)容為網(wǎng)友個人發(fā)布，僅代表博主個人觀點(diǎn)，如有侵權(quán)請聯(lián)系工作人員刪除。