大语言模型推理
大语言模型推理(Large Language Model Reasoning)是一种利用大型语言模型进行的分析、判断和得出结论的过程,这通常涉及到对语言的理解、逻辑关系的把握以及知识的应用等多个方面。在大语言模型推理中,模型能够处理复杂的自然语言输入,理解其含义,并根据这些信息进行推理,最终生成有意义的输出。
接下来分三部分:指令调优、上下文学习、思维链,一起来深入了解多模态基础:大语言模型推理。
大语言模型推理
一、指令调优
什么是指令调优(Instruction Tuning)?指令调优是通过在一组以指令格式组织的数据集上微调预训练的LLM,以实现对未见任务的泛化能力提升。多模态指令调优则是将这种方法扩展到多模态领域。
研究人员通常通过改编现有基准数据集或进行自我指导来获取适用于多模态指令调优的数据集。在模型方面,一种常见的方法是将外部模态信息注入到LLM中,并将其作为强大的推理器。
什么是多模态指令(Multimodal Instruction)?多模态指令数据的基本形式可以概括为(指令,多模态输入,回答)三元组。
一种直观的获得这种数据的方式是改造基准(Benchmark)数据集。例如,图像描述(Image Captioning)数据集,原本包括一张图片和一段文字描述(Ground Truth),这种数据自然构成了指令数据的多模态输入和回答部分,指令部分则为相应任务的描述,一般由人工编写或者调用GPT生成。
二、上下文学习
什么是上下文学习(In-contxt Learning)?上下文学习是LLM的一项重要且新兴的能力,它允许模型通过少量示例和可选指令进行学习,并能够在新问题上进行推广,以实现少样本学习并解决复杂且未见过的任务。
在推理阶段,上下文学习(ICL)可以通过在原始样本中添加一个演示集(即一组上下文样本)来实现。这种方法特别适用于解决各种视觉推理任务,以及教导LLM使用外部工具。
在GPT-3中,In-context learning可以分为以下三种情况:
-
Zero-shot Learning:不给GPT任何样例,仅通过自然语言指令来指导模型完成任务。
-
One-shot Learning:给GPT一个任务示例,模型根据这个示例来理解任务并生成输出。
-
Few-shot Learning:给GPT多个任务示例,模型通过这些示例来更好地理解任务并生成输出。
三、Chain-of-Thought(思维链)
什么是Chain-of-Thought?Chain-of-Thought(思维链,简称CoT)是一种改进的提示技术,旨在提升大型语言模型(LLMs)在复杂推理任务上的表现。
Chain-of-Thought要求模型在输出最终答案之前,先展示一系列有逻辑关系的思考步骤或想法,这些步骤相互连接,形成了一个完整的思考过程。
Chain-of-Thought可以通过两种主要方式实现:Zero-Shot CoT和Few-Shot CoT。
- Zero-Shot CoT:在没有示例的情况下,仅仅在指令中添加一行经典的“Let’s think step by step”,就可以激发大模型的推理能力,生成一个回答问题的思维链。
- Few-Shot CoT:通过提供几个包含问题、推理过程与答案的示例,让模型学会如何逐步分解问题并进行推理。这种方式需要少量的示例来引导模型,但通常能够获得更好的效果。
将单模态的CoT扩展到多模态CoT,需要填补模态差距。这通常涉及将不同模态的信息进行有效对齐和融合,以便模型能够同时理解和处理来自不同模态的数据。
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。