生成式 AI 分析：大模型 + 大量数据的神奇效果

Table of Contents

前言

如果你对这篇文章感兴趣，可以点击「【访客必读 – 指引页】一文囊括主页内所有高质量博客」，查看完整博客分类与对应链接。

大模型的涌现能力 (Emergent Ability)

下图是模型性能（Loss for next token prediction）与「参数量」和「数据集大小」之间的关系，可以看出随着「参数量」和「数据集大小」不断变大，模型性能不断增强，仿佛不会遇到瓶颈。

下图展现了大模型的涌现能力，即语言模型的性能随着参数量增加并不是线性关系，而是突然跃升，即涌现。在未达到门槛之前，性能一直在随机的水平徘徊。

Calibration

在上面的实验图中，Calibration 指「模型置信度」与「真实概率」之间的关系，即满足「置信度高 -> 正确」、「置信度低 -> 可能错误」的模型，其 Calibration 指标越好。

因此 Calibration 实际上对应着「模型是否知道自己错了」这件事，如下图所示，不同参数量的模型对应不同的颜色，可以看到模型越大，其对自己是否出错的把握越大，即「模型置信度」与「真实概率」更为贴合。

Inverse Scaling Prize

一个比赛，奖金悬赏，寻找能让「模型越大，性能越差」的任务。

在这个比赛的任务中，许多之前的 “大模型” 随着参数量变大，其性能确实变差了，但当拿出更大的模型之后，其性能又好了起来，并产生了一段 U 型曲线。

这个比赛中的任务，一般都是「具体误导性的」，例如下述这个例子：

因此对于上述这种 U 型曲线，一种猜测是：这些任务里通常包含着一些误导任务，例如上述的 5 元，当模型还没有很大的时候，由于一知半解，就会接受被误导的方法，进而使其比随机效果还要差，但当其变得足够大时，就会得到真正的结果，类似于上述的计算期望值。

Switch Transformer

Switch Transformer 模型参数量为 1.6T（GPT-3 为 1750 亿，GPT-3.5 为 2000 亿），其使用了 Mixture-of-expert 的结构，即在模型推断（Inference）的时候，选取不同的 Module，进而加快推断速度。

大数据的重要性

足够大量的数据才能让模型学会「常识，即世界知识」，如下图所示，横坐标为数据量。

数据集准备过程：

过滤有害内容（google 安全搜索）
去除 HTML 标签
用规则去除低品质数据
去除重复数据
过滤出测试集（例如 GPT-3 就未过滤出测试集）

「大模型」还是「大数据」

在固定的运算资源时，应该优先「大模型」还是「大数据」？看目前的趋势，模型大小越来越大，但训练数据量并没有明显变化。

根据下图（颜色代表固定的运算资源，横坐标为参数量，参数量越大，数据量越小），可以发现「大模型」和「大数据」需要取得平衡，只增加模型大小，不增加算力，只会让训练结果变得更差。

每个 U 型曲线取一个最低点，得到下图所示的算力与参数量（Parameters）和数据量（Tokens）之间的关系。

根据上述估计图，Google 重新估计了 Gopher（参数量为 280 Billion，数据量为 300 Billion）对应的算力下，应该采取的参数量和数据量方案，于是训练得到了 Chinchilla（参数量为 63 Billon，数据量为 1.4 Trillion）。对比之后，发现 Chinchilla 大胜 Gopher。

根据上述结果，进一步给出了具体的「参数量」与「数据量」之间的关系：

最新的 LLaMA 也采用了这种「减少参数量，扩大数据量」的方案：

KNN LM

通常来说，语言模型在做一个分类问题，即输入为「清华大」，输出为各个候选词的概率，随后选出概率最高的词即可。

如下所示，Transformer 得到 Text 的 Embedding，随后通过线性层 + softmax 转换为分类问题。

与之对比，KNN LM 在得到 Repesentation 后，不仅训练了一个分类器，还将测试 Text 的 Repesentation 与训练数据得到的 Repesentation 进行距离计算，并根据距离得到下一个词的预测概率，再与原始分类器结合起来，得到最终结果。

另外，KNN LM 可以拿任意资料与测试 Text 的 Representation 计算距离，并不局限于训练数据。因此 KNN LM 这种机制可以使模型训练时更专注于一些难度更高的问题，对于一些仅需记忆的问题则可以通过这种方式解决。

参考资料

文章出处登录后可见！

已经登录？立即刷新