本文是LLM系列文章,针对《Label Words are Anchors: An Information Flow Perspective for Understanding In-Context Learning》的翻译。
摘要
上下文学习(ICL)是大型语言模型(LLM)的一种很有前途的能力,它为它们提供了执行各种任务的演示示例。然而,LLM如何从所提供的上下文中学习的潜在机制仍有待探索。在本文中,我们通过信息流透镜来研究ICL的工作机制。我们的研究结果表明,示范示例中的标签词起到了锚的作用:(1)在浅计算层的处理过程中,语义信息聚合成标签词表示;(2) 标签词中的合并信息用作LLM的最终预测的参考。基于这些见解,我们介绍了一种提高ICL性能的锚重加权方法、一种加快推理的演示压缩技术,以及一种用于诊断GPT2-XL中ICL错误的分析框架。我们发现的有希望的应用再次验证了未发现的ICL工作机制,并为未来的研究铺平了道路。
1 引言
2 标签词为锚
3 基于锚的理解的应用
4 相关工作
5 结论
在本文中,我们提出了一个假设,即标签词在上下文学习中充当锚,用于聚合和分布与任务相关的信息流。注意力操纵和预测相关性分析的实验结果巩固了GPT2XL和GPT-J模型中的假设。受新的理解视角的启发,我们提出了三个实际应用。首先,提出了一种锚重加权方法来提高ICL的精度。其次,我们探索了一种演示压缩技术来加速ICL推理。最后,我