预训练模型五大模型结构

转载乘风破浪的PTM：两年来预训练模型的技术进展 - 知乎

Encoder-AE 结构

特点：可以同时看到上文和下文

代表：BERT

优点：适合语言理解类的任务

缺点：不适合语言生成类的任务

Encoder-AR 结构

特点：只能看到上文或者下文

代表： GPT1/2/3

优点：适合语言生成类的任务

缺点：不适合语言理解类的任务

Encoder-Decoder 结构

特点：encoder时采用AE模式，decoder时采用AR模式

代表： BART、Google T5

优点：同时适合语言理解类的任务和语言生成类的任务

Prefix LM结构

特点：

Prefix LM 结构是 Google T5 论文中给出的叫法，这种结构最早由 UniLM 模型提出，我们沿用 Google T5 的这种称谓。如果深入分析的话，Prefix LM 其实是 Encoder-Decoder 模型的变体：标准的 Encoder-Decoder 模型，Encoder 和 Decoder 各自使用一个独立的 Transformer；而 Prefix LM，相当于 Encoder 和 Decoder 通过分割的方式，分享了同一个 Transformer 结构，Encoder 部分占用左部，Decoder 部分占用右部，这种分割占用是通过在 Transformer 内部使用 Attention Mask 来实现的。与标准 Encoder-Decoder 类似，Prefix LM 在 Encoder 部分采用 AE 模式，就是任意两个单词都相互可见，Decoder 部分采用 AR 模式，即待生成的单词可以见到 Encoder 侧所有单词和 Decoder 侧已经生成的单词，但是不能看未来尚未产生的单词，就是说是从左到右生成。

Prefix LM 因为是 Encoder-Decoder 的变体，所以可以看出，它的优势也在于可以同时进行语言理解和语言生成类任务，而且相对 Encoder-Decoder 来说，因为只用了一个 Transformer，所以模型比较轻，这是 Prefix LM 的优势。缺点则是在效果方面，貌似要弱于 Encoder-Decoder 模型的效果，语言理解类任务相对有明显差距，生成类任务的效果相差不大。

代表： UniLM