Transformer目前分为三类
类型 | 定义 | 场景 | 样例 |
---|---|---|---|
仅编码器的基础模型(Encoder-only Foundation Models)/自动编码器 (Autoencoding)。 | 在预训练的过程中,掩码语言模型会随机掩盖输入 token,并尝试预测被掩盖的 token。模型利用输入的双向表示来理解 token 的完整上下文,而不仅仅是序列中前面的 token。 | 仅编码器模型适合的业务场景是:利用编码器生成 embeddings 的语言任务,例如文本分类等。这一类的模型,对文本生成这种生成类型的任务不太有用。Embeddings 输出也适用于语义相似性搜索,这是一种超越简单关键词搜索的高级文档搜索算法。 | BERT模型 |
仅解码器的基础模型(Decoder-only Foundation Models)/自回归模型(Autoregressive) | 这一类模型,使用了单向因果语言模型 (CLM, causal language modelling) 进行预训练。CLM 只使用之前的 token 预测下一个token,其他所有 token 都被掩盖住。 | 这些模型是生成任务的标准模型,包括文本生成、问答等景点场景 | Amazon Titan、GPT、Falcon 和 Llama等等 |
既使用了编码器,又使用了解码器的基础模型(Encoder-decoder Foundation Models)/序列到序列模型(seq2seq) | 这类基础模型(例如:FLAN-T5)使用称为“连续多token掩盖”进行预训练。然后,解码器尝试重建掩盖的token序列。 | 序列到序列模型可以用于翻译、文本摘要等任务。 | T5 和其微调后的FLAN-T5 是著名的编码器-解码器的基础模型,用于广泛的生成性语言任务。 |
疑问
- 根据应用场景来看,为啥现在一个模型就能实现 问答、摘要、翻译等任务?