LLM基础面

目前的主流的开源体系有哪些

目前 主流的开源模型体系 分三种:

• 第一种:prefix Decoder系

介绍:输入双向注意力，输出单向注意力
代表模型:ChatGLM、ChatGLM2、U-PaLM

• 第二种:causal Decoder 系
  介绍:从左到右的单向注意力
  代表模型:LLaMA-7B、LLaMa 衍生物
• 第三种:Encoder-Decoder
  介绍:输入双向注意力，输出单向注意力
  代表模型:T5、Flan-T5、BART

prefix Decoder和casual Decoder和Encoder-Decoder的区别是什么

prefix Decoder 和 causal Decoder 和 Encoder-Decoder 区别在于attention mask不同:

• Encoder-Decoder
  在输入上采用双向注意力，对问题的编码理解更充分
  适用任务:在偏理解的 NLP 任务上效果好
  缺点:在长文本生成任务上效果差，训练效率低
• causal Decoder
  自回归语言模型，预训练和下游应用是完全一致的，严格遵守只有后面的token才能看到前面的token的规则
  适用任务:文本生成任务效果好
  优点:训练效率高，zero-shot 能力更强，具有涌现能力
• prefix Decoder:
  特点:prefix部分的token互相能看到，causal Decoder和 Encoder-Decoder 折中;
  缺点:训练效率低

大模型LLM的训练目标是什么

1.语言模型
根据已有词预测下一个词，训练目标为最大似然函数

训练效率：Prefix Decoder<Casual Decoder

Causal Decoder 结构会在 所有 token 上计算损失，而 Prefix Decoder 只会在 输出上 计算损失。

去噪自编码器目标函数

涌现能力是什么原因

根据前人分析和论文总结，大致是2个猜想:

• 任务的评价指标不够平滑;
• 复杂任务 vs 子任务，这个其实好理解，比如我们假设某个任务T有5个子任务 Sub-T构成，每个 sub-T 随着模型增长，指标从 40% 提升到 60%，但是最终任务的指标只从 1.1% 提升到了 7%，也就是说宏观上看到了涌现现象，但是子任务效果其实是平滑增长的。

为啥现在的大模型大部分都是Decoder only架构

因为decoder-only结构模型在没有任何微调数据的情况下，zero-shot的表现能力最好。而encoder-decoder则需要在一定量的标注数据上做multitask-finetuning才能够激发最佳性能。目前的Large LM的训练范式还是在大规模语料上做自监督学习，很显然zer0-shot性能更好的decoder-only架构才能更好的利用这些无标注的数据。
大模型使用decoder-only架构除了训练效率和工程实现上的优势外，在理论上因为Encoder的双向注意力会存在低秩的问题，这可能会削弱模型的表达能力。就生成任务而言，引入双向注意力并无实质的好处。而Encoder-decoder模型架构之所以能够在某些场景下表现更好，大概是因为它多了一倍参数。所以在同等参数量、同等推理成本下，Decoder-only架构就是最优的选择了。

大模型LLMS后面跟的175B、60B、54B指的是什么

175B、60B、540B等:这些一般指参数的个数，B是Bilion/十亿的意思，175B是1750亿参数，这是ChatGPT大约的参数规模。

大模型LLMS有什么优点

1**.可以利用大量的无标注数据来训练一个通用的模型，然后再用少量的有标注数据来微调模型，以适应特定的任务**。这种预训练和微调的方法可以减少数据标注的成本和时间，提高模型的泛化能力;
2.可以利用生成式人工智能技术来产生新颖和有价值的内容，例如图像、文本、音乐等。这种生成能力可以帮助用户在创意、娱乐、教育等领域获得更好的体验和效果;
3.可以利用涌现能力(Emergent Capabilities)来完成一些之前无法完成或者很难完成的任务，例如数学应用题、常识推理、符号操作等。这种涌现能力可以反映模型的智能水平和推理能力。

大模型LLMS有什么缺点呢

1.需要消耗大量的计算资源和存储资源来训练和运行，这会增加经济和环境的负担。据估计，训练一个GPT-3模型需要消耗约30万美元，并产生约284吨二氧化碳排放;
2.需要面对数据质量和安全性的问题，例如数据偏见、数据泄露、数据滥用等。这些问题可能会导致模型产生不准确或不道德的输出，并影响用户或社会的利益;
3.需要考虑可解释性、可靠性、可持续性等方面的挑战，例如如何理解和控制模型的行为、如何保证模型的正确性和稳定性、如何平衡模型的效益和风险等。这些挑战需要多方面的研究和合作，以确保大模型能够健康地发展。