本文是LLM系列文章,针对《Investigating Continual Pretraining in Large Language Models: Insights and Implications》的翻译。
摘要
本文研究了大型语言模型(LLM)中持续学习(CL)的发展领域,重点是制定高效和可持续的训练策略。我们的主要重点是持续的领域自适应预训练,这一过程旨在使LLM能够集成来自各个领域的新信息,同时保留先前学习的知识,并在不依赖特定领域识别的情况下增强跨领域知识转移。与以前的研究不同,以前的研究大多集中在有限的任务或领域选择上,主要旨在解决遗忘问题,我们的研究评估了LLM在实际场景中对不断变化的数据景观的适应性和能力。为此,我们引入了一个新的基准,旨在衡量LLM对这些不断发展的数据环境的适应性,为评估提供了一个全面的框架。我们研究了模型大小对学习效率和遗忘的影响,以及新兴领域的进展和相似性如何影响这些模型中的知识转移。我们的研究结果揭示了几个关键的见解:(i)当领域序列显示出语义相似性时,与独立的微调相比,连续预训练使LLM能够更好地专注于当前领域,(ii)跨不同领域的训练增强了向后和向前的知识转移,以及(iii)较小的模型对连续预训练特别敏感,显示出最显著的遗忘率和学习率。我们认为,我们的研究标志着向建立更现实的LLM CL研究基准的转变,并有可能在指导该领域未来研究方向方面发挥关键作用。