大模型基础之大语言模型的进展

在2023年4月27号杨景峰发布一篇论文《Harnessing the Power of LLMs in Practice: A Survey on ChatGPT and Beyond》中文翻译为《在实践中利用LLMs的力量：关于ChatGPT及其他的调查》

在这篇文章有一张图广泛流传，今天我们就讲讲这篇论文的内容。

0 1

什么是大语言模型

LLM（Large language models翻译为大语言模型）是在大量数据集上预先训练的巨大语言模型（模型参数很多），它没有使用数据对特定任务进行微调。

fine-tuned models（微调模型）通常是较小的语言模型，这些模型也经过预训练，然后在较小的、特定于任务的数据集上进一步调整，以优化它们在该任务上的性能。

那什么是fine-tuned models（微调模型）？它是BERT（全称是Bidirectional Encoder Representation from Transformers，即双向Transformer的Encode）是一个预训练的模型的一种。

那BERT又是什么呢？是一个预训练的模型，那么什么是预训练呢？举例子进行简单的介绍。

假设已有A训练集，先用A对网络进行预训练，在A任务上学会网络参数，然后保存以备后用，当来一个新的任务B，采取相同的网络结构，网络参数初始化的时候可以加载A学习好的参数，其他的高层参数随机初始化，之后用B任务的训练数据来训练网络，当加载的参数保持不变时，称为"frozen"，当加载的参数随着B任务的训练进行不断的改变，称为“fine-tuning”，即更好地把参数进行调整使得更适合当前的B任务

优点：当任务B的训练数据较少时，很难很好的训练网络，但是获得了A训练的参数，会比仅仅使用B训练的参数更优。

从实际的角度来看，我们认为参数小于20B（Billion）的模型是微调模型。虽然可以微调像PlaM（540B）这样的大型模型，但实际上，这可能非常具有挑战性，特别是对于学术研究实验室和小型团队。对于许多个人或组织来说，使用 3B 参数微调模型仍然是一项艰巨的任务。

0 2

大模型分类

如上图所示，有三种类型：编码器-解码器（Encoder-Decoder）、仅编码器语言模型（Encoder-only）、仅解码器语言模型（Decoder-only）。

仅解码器模型（Decoder-only）已经逐渐主导了LLM的发展。在LLMs开发的早期阶段，仅解码器模型并不像仅编码器和编码器-解码器模型那样流行。

在 2021 年之后，随着改变游戏规则的 LLM - GPT-3 的推出，仅解码器模型经历了显著的繁荣。与此同时，在BERT带来的最初爆炸性增长之后，仅编码器模型逐渐开始消失。

0 3

三大语言模型的介绍

1、仅解码（Decoder-only）的模型逐渐主导了LLMs的发展。在LLMs的早期阶段，仅解码的模型并不像仅编码和编码-解码模型那样受欢迎。然而，随着颠覆性LLMs - GPT-3的引入，仅解码模型经历了显著的繁荣。与此同时，在由BERT带来的初期爆发式增长之后，仅编码模型逐渐消失。

2、OpenAI在LLM方面始终保持领导地位，无论是当前还是未来。其他公司和机构正在努力赶上OpenAI，开发能够与GPT-3和当前的GPT-4相媲美的模型。这种领先地位可能归因于OpenAI在最初并不广泛被认可时坚定地坚持其技术道路。

3、Meta对开源LLMs做出了重大贡献，并促进了LLMs的研究。在考虑对开源社区的贡献时，特别是与LLMs有关的贡献，Meta是最慷慨的商业公司之一，因为Meta开发的所有LLMs都是开源的。

4、LLMs表现出向闭源化的倾向。在LLM开发的早期阶段（2020年以前），大多数模型都是开源的。然而，随着GPT-3的引入，公司越来越倾向于关闭其模型，例如PaLM，LaMDA和GPT-4。因此，学术研究人员更难在LLM培训方面进行实验。因此，基于API的研究可能成为学术界主要的方法。

5、编码-解码模型（Encoder-Decoder）仍然很有前途，因为这种类型的架构仍在积极探索，而且大多数都是开源的。Google在开源编码-解码架构方面做出了实质性的贡献。然而，仅解码模型的灵活性和通用性似乎使得Google对此持坚定立场的前景较少。

END

本篇文章主要探讨了三大语言模型的介绍：1、编码器-解码器（Encoder-Decoder）；2、仅编码器语言模型（Encoder-only）；3、仅解码器语言模型（Decoder-only）

读者福利：如果大家对大模型感兴趣，这套大模型学习资料一定对你有用

对于0基础小白入门：

如果你是零基础小白，想快速入门大模型是可以考虑的。

一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。

包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型！

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓

👉AI大模型学习路线汇总👈

大模型学习路线图，整体分为7个大的阶段：（全套教程文末领取哈）

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉大模型实战案例👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

👉大模型视频和PDF合集👈

观看零基础学习书籍和视频，看书籍和视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓